搞过机器学习的小伙伴们，有没有注意到，网上的机器学习二分类案例，比如预测违约情况、生还情况等，往往把响应的label标为1，不响应的label标为-1或者0，但是却没有告诉为什么这么标记？
下面，我尝试用scikit-learn机器学习包，为大家讲解一下，为什么二分类问题的label=[0,1]或者label=[-1,1]（其中响应的label都标为1）。
此处暂时省略为什么，后续会贴代码出来
记住以下几点：
- 正常情况下，一旦目标响应，就把label标为1，不响应的标为-1或者0，也就是label=[0,1]或者label=[-1,1]。
- 如果实在想把不响应的label标为1，记住：计算的precision是一样的，但是auc得分与正常标注的auc得分，相加起来等于1。比如，响应的label标为1的时候，计算出来的auc=0.8，那么响应的label标为-1的时候，计算出的auc=1-0.8=0.2。
- 为了方便，不搞错，牢记第1点，响应的label就标为1，不响应的label就标为-1或者0。
