分类评价结果
我们使用分类算法将训练集进行分类后，我们怎么判定分类算法的好坏，就需要用到相关指标。
混淆矩阵
使用条件：对于极度偏斜的数据，是不能使用混淆矩阵的。比如99.9%的人都会患癌症等。
其中，
精准率=TP/(FP+TP)，即预测值里面，准确的数据占比是多少。
召回率=TP/(FN+TP)，即真实值里面，准确被预测的数据占比是多少。
那接下来的问题，两个指标中，在某个模型中，达到什么样的数据才是最好的？有没有可能混合成一个指标=两个指标的加权数值？
这种的话，就需要看需求进行评判了，当然能也有混合成一个指标的指标，即F1 SCORE，
sklearn调用方法：
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test, y_log_predict)
from sklearn.metrics import precision_score
precision_score(y_test, y_log_predict)
from sklearn.metrics import recall_score
recall_score(y_test, y_log_predict)
分类阈值：即预测中，超过多少才能被分成一类。
ROC曲线：
from sklearn.metrics import roc_curve
fprs, tprs, thresholds = roc_curve(y_test, decision_scores)
plt.plot(fprs, tprs)
plt.show()
AUC面积：
AUC是ROC曲线和X轴内的面积大小。
from sklearn.metrics import roc_auc_score
roc_auc_score(y_test, decision_scores)
以上是对分类的评价。
线性回归
线性回归比较好理解，即做一条X自变量的Y应变量曲线，然后用R2来判定回归曲线的准确度。
sklearn调用方法：
from sklearn.metrics import r2_score
r2_score(y_test, y_predict)
拆分训练集和测试集方法
方法核心是将索引进行随机排序，然后再把索引对应到数组中进行取值。
