根据sklearn统一标准 https://scikit-learn.org/stable/modules/model_evaluation.html#roc-metrics
    预测
    0 1
    实际 0 True Negative，TN False Positive，FP Actual Negative(FP+TN) FPR=FP/(FP+TN) 漏判率
    1 False Negative，FN True Positive，TP Actual Postive(TP+FN) FNR=FN/(FN+TP) 误判率
    合计 Predicted Negative(FN+TN) Predicted Postive(TP+FP) TP+FN+FP+TN
    precision=TP/(TP+FP)
    Sensitivity=Recall=TPR=TP/(TP+FN)
    真阳性率(True Positive Rate，TPR)
    灵敏度(Sensitivity)，
    召回率(Recall)    		 Specificity=TNR=TN/(FP+TN)
    真阴性率(True Negative Rate，TNR)
    特异度(Specificity)

    Precision:查准率
    二分类详细指标 - 图1
    Recall :查全率
    二分类详细指标 - 图2
    正确使用sklearn的混淆矩阵，需要指定水平轴上的真实标签和垂直轴上的预测标签。

    1. 默认输出confusion_matrix(y_true, y_pred)

    image.png

    1. 使用labels参数confusion_matrix(y_true, y_pred, labels=[1,0])

    image.png