from sklearn import metrics
1.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
參數(shù)分別為y實際類別垦沉、預測類別附帽、返回值要求（True返回正確的樣本占比荞下，false返回的是正確分類的樣本數(shù)量）
eg：
>>> import numpy as np
>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5
>>> accuracy_score(y_true, y_pred, normalize=False)
2.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2)
參數(shù)：真是類別谆棱，預測類別，目標類別名稱
eg：
3.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)
輸出為混淆矩陣
eg：
太多了，寫3個常用的吧，具體參考help(metrics)
文末驚喜在此：
純手工Python混淆矩陣作圖代碼案例
defcm_plot(y,yp):#參數(shù)為實際分類和預測分類
fromsklearn.metricsimportconfusion_matrix
#導入混淆矩陣函數(shù)
cm = confusion_matrix(y,yp)
#輸出為混淆矩陣
importmatplotlib.pyplotasplt
#導入作圖函數(shù)
plt.matshow(cm,cmap=plt.cm.Greens)
# 畫混淆矩陣圖掂为，配色風格使用cm.Greens
plt.colorbar()
# 顏色標簽
forxinrange(len(cm)):
foryinrange(len(cm)):
plt.annotate(cm[x,y],xy=(x,y),horizontalalignment='center',verticalalignment='center')
#annotate主要在圖形中添加注釋
# 第一個參數(shù)添加注釋
# 第一個參數(shù)是注釋的內容
# xy設置箭頭尖的坐標
#horizontalalignment水平對齊
#verticalalignment垂直對齊
#其余常用參數(shù)如下：
# xytext設置注釋內容顯示的起始位置
# arrowprops 用來設置箭頭
# facecolor 設置箭頭的顏色
# headlength 箭頭的頭的長度
# headwidth 箭頭的寬度
# width 箭身的寬度
plt.ylabel('True label')# 坐標軸標簽
plt.xlabel('Predicted label')# 坐標軸標簽
returnplt
#函數(shù)調用
cm_plot(train[:,3],tree.predict(train[:,:3])).show()
輸出結果圖：
