姓名：蔡哲诣 学号：21011210150 学院：通信工程学院
在机器学习或者深度学习中，我们常常需要对我们创建模型的准确率进行评估，然而accuracy参数用于评估时具有一定的局限性，所以在metrics中提供classification_report函数来进行更为全面的评估。
示例1：
其中：
accuracy表示准确率，也即正确预测样本量与总样本量的比值，即9/13=0.69
macro avg表示宏平均，表示所有类别对应指标的平均值，即
precision = (1.0+0.67+0.5+0.67+1.0)/5=0.77
recall = (0.67+0.67+0.67+1.0+0.5)/5=0.70
f1-score = (0.8+0.67+0.57+0.8+0.67)/5=0.70
weighted avg表示带权重平均，表示类别样本占总样本的比重与对应指标的乘积的累加和，即
precision = 1.0*3/13 + 0.67*3/13 + 0.5*3/13 + 0.67*2/13 + 1.0*2/13=0.76
recall = 0.67*3/13 + 0.67*3/13 + 0.67*3/13 + 1.0*2/13 + 0.5*2/13=0.69
f1-score = 0.8*3/13 + 0.67*3/13 + 0.57*3/13 + 0.8*2/13 + 0.67*2/13=0.70
示例2：
说明：classification_report函数的输出结果标签中0、1、2、3、4表示的是每个样本的5列，每列代表一个标签。因此，对于标签0，表示样本中元素处于第一列的1；对于标签1，表示样本中元素处于第一列的1；以此类推。
micro avg表示微平均，表示所有类别中预测正确量与总样本量的比值，即
precision = (2+2+1+1) / 8 = 0.750
recall = (2+2+1+1) / 9 = 0.667
f1-score = 2*precision*recall/(precision+recall) = 0.706
macro avg表示宏平均，表示所有类别对应指标的平均值，即
precision = (1.0+1.0+0.5+1.0+0.0)/5 = 0.700
recall = (1.0+1.0+0.5+1.0+0.0)/5 = 0.700
f1-score = (1.0+1.0+0.5+1.0+0.0)/5 = 0.700
weighted avg表示带权重平均，表示类别样本占总样本的比重与对应指标的乘积的累加和，即
precision = 1.0*2/9 + 1.0*2/9 + 0.5*2/9 + 1.0*1/9 + 0.0*2/9 = 0.667
recall = 1.0*2/9 + 1.0*2/9 + 0.5*2/9 + 1.0*1/9 + 0.0*2/9 = 0.667
f1-score = 1.0*2/9 + 1.0*2/9 + 0.5*2/9 + 1.0*1/9 + 0.0*2/9 = 0.667
samples avg表示带权重平均，表示类别样本占总样本的比重与对应指标的乘积的累加和，即
precision = (1/2 + 2/3 + 3/3) / 3 = 0.722
其中，1/2表示第1行中，标签值为1的预测准确率；2/3表示第二行中标签值为1的预测准确率，以此类推
recall = (1/2 + 2/3 + 3/4) / 3 = 0.639
f1-score = ((2*(1/2)*(1/2))/(1/2+1/2) + (2*(2/3)*(2/3))/(2/3+2/3) + (2*(3/3)*(3/4))/(3/3+3/4)) / 3 = 0.675
其中，f1-score的计算过程中，分别为三个样本中标签值为1的f1值的平均值。
