classification_report的调用为：classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False)
y_true : 真实值
y_pred : 预测值
from sklearn.metrics import classification_report truey = np.array([0,0,1,1,0,0])
prey = np.array([1,0,1,0,0,0])
print(classification_report(truey,prey,target_names=['zhen','jia']))
1）fraction of true positives/false positive/false negative/true negative
True Positive （真正, TP）被模型预测为正的正样本；
True Negative（真负 , TN）被模型预测为负的负样本 ；
False Positive （假正, FP）被模型预测为正的负样本；
False Negative（假负 , FN）被模型预测为负的正样本；
2）precision/recall，准确率和召回率
系统检索到的相关文档（Ａ）
系统检索到的不相关文档（Ｂ）
相关但是系统没有检索到的文档（Ｃ）
不相关但是被系统检索到的文档（Ｄ）
召回率Ｒ：R=A/(A+C)
精度Ｐ： P=A/(A+B).
3）F1-score
F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。