precision recall f1-score support 0 084 064 073 5057 1 024 048 032 1175 accuracy 061 6232 macro

上面的矩阵是一个混淆矩阵，用于评估分类模型的性能。

混淆矩阵的解释如下：

• True Positive (TP)：将正例正确地预测为正例的数量。在这里，表示将1预测为1的数量。
• True Negative (TN)：将负例正确地预测为负例的数量。在这里，表示将0预测为0的数量。
• False Positive (FP)：将负例错误地预测为正例的数量。在这里，表示将0预测为1的数量。
• False Negative (FN)：将正例错误地预测为负例的数量。在这里，表示将1预测为0的数量。

基于上述解释，可以看出：

• 有3253个样本被正确预测为负例（0），有1804个样本被错误预测为正例（1）。
• 有611个样本被错误预测为负例（0），有564个样本被正确预测为正例（1）。

根据混淆矩阵的结果，可以计算出以下指标：

• Precision（精确度）：预测为正例的样本中，真正为正例的比例。在这里，为0的精确度为0.84，为1的精确度为0.24。
• Recall（召回率）：真实为正例的样本中，被正确预测为正例的比例。在这里，为0的召回率为0.64，为1的召回率为0.48。
• F1-score（F1分数）：综合考虑精确度和召回率的指标，是精确度和召回率的调和平均值。在这里，为0的F1分数为0.73，为1的F1分数为0.32。

最后，还可以得出以下结论：

• 准确率（accuracy）：模型正确预测的样本占总样本数的比例。在这里，准确率为0.61。
• 宏平均（macro avg）：对所有类别的指标取平均值，每个类别的权重相等。
• 加权平均（weighted avg）：对所有类别的指标取加权平均值，权重是根据各类别的样本数计算的