关于多分类问题中的混淆矩阵，精准率
具体操作
（在notebook中）
使用手写识别数据集，使用全部的样本数据，不做限制，对数据进行分割，使用逻辑回归算法，求解出准确度
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
digits = datasets.load_digits()
X = digits.data
y = digits.target
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.8,random_state=666)
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)
结果如下
进行预测
y_predict = log_reg.predict(X_test)
计算精准率，需要将average设置为micro
from sklearn.metrics import precision_score
precision_score(y_test,y_predict,average="micro")
结果如下
计算混淆矩阵（不用修改，其本身就可以计算多分类）
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test,y_predict)
结果如下（10*10的矩阵）
绘制图像，使用matshow来绘制一个矩阵，传入参数为矩阵以及颜色的映射（设置为plt的灰度值）
cfm = confusion_matrix(y_test,y_predict)
plt.matshow(cfm,cmap=plt.cm.gray)
图像如下（越亮越大，越小越黑）
对矩阵的处理，设置一个记录行的样本，按照列方向求和，设置一个的矩阵，使矩阵除以这行的数字和，将对角线的数字填充为0，然后输出
row_sums = np.sum(cfm,axis=1)
err_matrix = cfm / row_sums
np.fill_diagonal(err_matrix,0)
err_matrix
结果如下（部分内容）
绘制矩阵
plt.matshow(err_matrix,cmap=plt.cm.gray)
图像如下
这个结果反应的就是对于多分类问题来説，越亮代表犯错越多，这样就可以看到犯错的情况，然后改进算法，修改域值来微调算法或是别的操作来优化，有可能不是算法的问题，可能是因为样本问题
