混淆矩阵
混淆矩阵（Confusion Matrix）是评估模型结果的指标，属于模型评估的一部分，混淆矩阵如下图所示。
-
TP(True Positive): 真实为0，预测也为0
-
FN(False Negative): 真实为0，预测为1
-
FP(False Positive): 真实为1，预测为0
-
TN(True Negative): 真实为0，预测也为0
1.准确率 Accuracy
准确率：所有预测正确的样本占所有样本的比例。
\begin{align}\notag accuracy = \frac{TP + TN}{TP + FN + FP + TN} \end{align}
## 2.精确率 Precision 精确率：预测结果为正例的样本中真实为正例的比例。\begin{align}\notag precision = \frac{TP}{TP + FP} \end{align}
## 3.灵敏度 Sensitivity 灵敏度：即召回率（Recall）,真实为正例的样本中预测结果为正例的比例。\begin{align}\notag accuracy = \frac{TP}{TP + FN} \end{align}
## 4.特异度 Specificity 特异度：真实为假例的样本中预测结果为反例的结果。\begin{align}\notag accuracy = \frac{TN}{FP + TN} \end{align}
## 5.F1-score F1-score同时兼顾了分类模型的准确率和召回率，可以看作是模型准确率和召回率的一种加权平均。 F1-score的最大值是1，最小值是0。1代表模型输出结果好，0代表模型输出结果查。\begin{align}\notag F1 = \frac{2\cdot precision\cdot recall}{precision + recall} \end{align}
sklearn分类模型评估API
sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None)
y_true：真实目标值
y_pred：预测目标值
labels：包含在报告中的可选标签索引列表
target_names：与标签匹配的可选显示名称（相同顺序）
return：每个分类的精确度，召回率，F1-score的文本摘要
你总是这样轻言放弃的话，无论多久都只会原地踏步。 ——《哆啦A梦》
