混淆矩阵（精确率与召回率）

在分类任务下，预测结果（Predicted Condition）与正确标记（True Condition）之间存在四种不同的组合，构成混淆矩阵（适用于多分类）。

精确率（Precision）

精确率：预测结果为正例样本中真实为正例的比例（查的准）

召回率（Recall）

召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

分类模型评估API sklearn.metrics.classification_report

示例代码：贝叶斯模型文本分类

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
def naviebayes():
    '''
    朴素贝叶斯进行文本分类
    :return: None
    '''
    news = fetch_20newsgroups(subset='all')
    # 进行数据分割
    x_train,x_test,y_train,y_test = train_test_split(news.data,news.target,test_size=0.25)
    # 对数据集进行特征抽取
    tf = TfidfVectorizer()
    # 以训练集当中的词的列表进行每篇文章重要性统计
    #print('x_train:\n',x_train,'x_test:\n',x_test)
    x_train = tf.fit_transform(x_train)
    print(tf.get_feature_names())
    x_test = tf.transform(x_test)
    # 进行朴素贝叶斯算法的预测
    mlt = MultinomialNB(alpha=1.0)
    print(x_train.toarray())
    mlt.fit(x_train,y_train)
    y_predict = mlt.predict(x_test)
    print('预测的文章类别为：',y_predict)
    # 得出准确率
    print('准确率为：',mlt.score(x_test,y_test))
    print('每个类别的精确率和召回率：\n',classification_report(y_test,y_predict,target_names=news.target_names))

    return None

if __name__ == '__main__':
    naviebayes()