estimator.score()：一般最常见使用的是准确率，即预测结果正确的百分比
混淆矩阵
在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)
精确率(Precision)与召回率(Recall)
-
精确率：预测结果为正例样本中真实为正例的比例（查得准）
-
召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）
-
其他分类标准，F1-score，反映了模型的稳健型
sklearn分类模型评估API
sklearn.metrics.classification_report(y_true, y_pred, target_names=None)
- y_true：真实目标值
- y_pred：估计器预测目标值
- target_names：目标类别名称
- return：每个类别精确率与召回率
对于【学习笔记】分类算法-朴素贝叶斯算法中20类新闻分类例子，得出其精确率和召回率：
from sklearn.metrics import classification_report
...
print("每个类别的精确率和召回率
", classification_report(y_test, y_predict, target_names=news.target_names))
运行结果：
每个类别的精确率和召回率
precision recall f1-score support
alt.atheism 0.87 0.87 0.87 104
comp.graphics 0.87 0.74 0.80 143
comp.os.ms-windows.misc 0.89 0.84 0.87 147
comp.sys.ibm.pc.hardware 0.76 0.87 0.81 156
comp.sys.mac.hardware 0.89 0.82 0.85 146
comp.windows.x 0.95 0.85 0.90 149
misc.forsale 0.91 0.75 0.82 134
rec.autos 0.83 0.91 0.87 142
rec.motorcycles 0.97 0.94 0.96 160
rec.sport.baseball 0.90 0.95 0.92 132
rec.sport.hockey 0.96 0.92 0.94 155
sci.crypt 0.80 0.96 0.87 172
sci.electronics 0.96 0.65 0.77 174
sci.med 0.95 0.86 0.90 145
sci.space 0.84 0.98 0.90 133
soc.religion.christian 0.46 0.99 0.63 141
talk.politics.guns 0.80 0.97 0.87 136
talk.politics.mideast 0.94 0.94 0.94 146
talk.politics.misc 1.00 0.59 0.74 125
talk.religion.misc 1.00 0.13 0.24 89
micro avg 0.84 0.84 0.84 2829
macro avg 0.88 0.83 0.82 2829
weighted avg 0.87 0.84 0.84 2829