机器学习笔记：
classification_report(参数1，参数2， target_names)
简介：函数用于显示主要分类指标的文本报告，在报告中显示每个类的精确度，召回率，F1值等信息:
主要参数：
参数1：一维数组，或标签指示器数组/稀疏矩阵，目标值
参数2：一维数组，标签指示数组/稀疏矩阵，分类器返回的估计值
target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。
其他参数：
labels：array，shape= [n_labels]，报表中包含的标签索引的可选列表。
sample_weight：类似于shape = [n_samples]的数组，可选项，样本权重。
digits：int，输出浮点值的位数．
-True Positive(真正, TP)：将正类预测为正类数.
-True Negative(真负, TN)：将负类预测为负类数.
-False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
-False Negative(假负, FN)：将正类预测为负类数 →→ 漏报 (Type II error).
精确度：你认为的该类样本，有多少猜对了（猜的准确率如何）
P=TP/(TP+FP)
召回率：该类样本有多少被找出来（召回了多少）
R=TP/(TP+FN)
F1值：F1 Score = P*R/2(P+R)
精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。
召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。
