對於二分類問題，precision，recall，auc，f1_score的計算原理都比較熟悉，但是多分類問題的計算還是有一點小小的區別，在使用sklearn.metrics的時候需要注意一下；
對於sklearn.metrics下的roc_auc_score, precision_score, recall_score, f1_score的幾個參數需要設置：
sklearn.metrics.precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
以precision_score為例，主要是average參數有幾種選擇：
binary：二分類
macro：每個標簽都計算precision，然后求平均，不考慮數據均衡問題
micro：計算全數據的precision
weighted,：每個標簽都計算precision，然后考慮各個類別數據量權重加權求和
samples：多標簽問題使用
所以在數據均衡情況下一般使用macro
f1_score 的計算公式 f1_score = (1+12) * p * r / 12 * r + p
從公式中可以看出參數1其實是准確率和召回率的調和參數，小於1則提高准確率的權重，大於1則提高召回率的權重，因此在實際中也有F0.5-score， F2-score的使用