sklearn 中指标计算公式
TP：正例预测正确的个数
FP：负例预测错误的个数
TN：负例预测正确的个数
FN：正例预测错误的个数
1. accuracy_score(y_true,y_pred)
准确率（accuracy）是所有预测对的right/all
例子：
>>>y_pred = [0, 2, 1, 3]
>>>y_true = [0, 1, 2, 3]
>>>accuracy_score(y_true, y_pred)
0.52.
precision_score(y_true,y_pred,average='macro')
recall_score(y_true,y_pred,average='macro')
f1 _score(y_true,y_pred,average='macro')
精确率（precision） 描述的是在所有预测出来的正例中有多少是真的正例。
召回率（recall） ，描述的是所有正例我能发现多少。
F1值——精确率和召回率的调和均值，只有当精确率和召回率都很高时，F1值才会高。
分别计算各个类别的TP，FP，FN，Precision ，Recall和F1-score 然后求平均，即macro precision_score， macro recall_score和macro F1-score。
，
，
例子：
实际数据：1, 2, 3, 4, 5, 6, 7, 8, 9
真实类别：A, A, A, A, B, B, B, C, C
预测类别：A, A, B, C, B, B, C, B, C
1) acc: (2+2+1)/10=0.5
2) macro precison,recall F1-score
则各个类别的真假阳阴性：
A B C 总计
TP 2 2 1 5
FP 0 2 2 4
FN 2 1 1 4
A类别的精确率 ： PA = 2/(2+0）= 1
A类别的召回率 ： RA = 2/(2+2）= 0.5
A类别的F1-score ： FA = 2*(1*0.5)/(1+0.5) = 0.667
B类别的精确率 ： PB = 2/(2+2）= 0.5
B类别的召回率 ： RB = 2/(2+1）= 0.667
B类别的F1-score ： FB = 2*(0.5*0.667)/(0.5+0.667) = 0.572
C类别的精确率 ： PC = 1/(1+2）= 0.333
C类别的召回率 ： RC = 1/(1+1）= 0.5
C类别的F1-score ： FC = 2*(0.333*0.5）/（0.333+0.5） = 0.39976
macro precison-score = (1+0.5+0.333)/3 = 0.611
macro recall-score = (0.5+0.667+0.5)/3 = 0.556
macro F1-score = (0.667+0.572+0.39976)/3 = 0.5462