from sklearn.metrics import classification_report, confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification# 生成示例分类数据
# n_samples: 样本数量, n_features: 特征数量, n_classes: 类别数量
X, y = make_classification(n_samples=1000,  # 1000个样本n_features=20,   # 20个特征n_classes=2,     # 二分类问题random_state=42  # 随机种子，保证结果可重现
)
print("示例数据：")
print(X, y)# 将数据分为训练集和测试集
# test_size=0.2: 20%数据作为测试集，80%作为训练集
# random_state=42: 固定随机种子，确保每次分割结果相同
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42
)# 创建并训练一个随机森林分类器
# n_estimators: 树的数量, random_state: 随机种子
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)  # 使用训练数据拟合模型# 分类模型评估
y_pred = model.predict(X_test)  # 使用模型对测试集进行预测# 输出分类报告：包含precision(精确率)、recall(召回率)、f1-score和support(支持数)
print("分类报告：")
print(classification_report(y_test, y_pred))# 输出混淆矩阵：展示预测结果与实际结果的对比
print("混淆矩阵：\n", confusion_matrix(y_test, y_pred))

导入必要的库：
- classification_report 和 confusion_matrix 用于模型评估
- train_test_split 用于分割训练集和测试集
- RandomForestClassifier 是我们使用的分类模型
- make_classification 用于生成示例数据
生成示例数据：
- 使用 make_classification 生成 1000 个样本，每个样本有 20 个特征
- 这是一个二分类问题（n_classes=2）
- random_state=42 确保每次运行生成相同的数据，便于结果重现
分割数据集：
- 将数据分为训练集（80%）和测试集（20%）
- 训练集用于模型训练，测试集用于评估模型性能
创建并训练模型：
- 使用随机森林分类器，包含 100 棵决策树
- fit 方法用于训练模型，接收训练数据（X_train）和对应的标签（y_train）
模型预测与评估：
- model.predict(X_test) 用训练好的模型对测试集进行预测，得到预测标签 y_pred
- classification_report 计算并打印分类指标：
  - precision（精确率）：预测为正的样本中实际为正的比例
  - recall（召回率）：实际为正的样本中被正确预测的比例
  - f1-score：精确率和召回率的调和平均
  - support：每个类别的实际样本数量
  - accuracy（准确率）
    - 含义：所有预测中正确预测的比例
    - 计算公式：(TP + TN) / (TP + TN + FP + FN)
    - 解读：直观反映模型的整体正确率，但在类别不平衡时可能有误导性（例如 99% 样本是正类，模型全预测为正类也能达到 99% 准确率）
  - macro avg（宏平均）
    - 含义：先计算每个类别的指标（精确率、召回率、F1 分数），再取简单平均值（不考虑类别样本数量）
    - 特点：对所有类别一视同仁，无论每个类别的样本数量多少
    - 适用场景：希望平等关注每个类别（尤其是小样本类别）的场景
  - weighted avg（加权平均）
    - 含义：先计算每个类别的指标，再根据每个类别的样本数量（support）进行加权平均
    - 特点：样本数量多的类别对结果影响更大
    - 适用场景：类别不平衡时，更能反映模型在整体数据上的表现

总结：优先看 accuracy 了解整体表现，类别不平衡时，weighted avg 比 macro avg 更有参考价值，关注小类别表现时，需重点看该类别的单独指标而非宏平均

confusion_matrix 展示混淆矩阵，直观显示各类别预测正确和错误的数量
- TP（True Positive）：真实为正例，预测也为正例（正确预测）
- FN（False Negative）：真实为正例，预测为负例（漏检）
- FP（False Positive）：真实为负例，预测为正例（误检）
- TN（True Negative）：真实为负例，预测也为负例（正确预测）