函数声明：
precision_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None)
其中较为常用的参数解释如下：
y_true：真实标签
y_pred：预测标签
average：评价值的平均值的计算方式。可以接收[None, 'binary' (default), 'micro', 'macro', 'samples', 'weighted']对于多类/多标签目标需要此参数。下面进行详细说明：
如果是None，则返回每个类的分数。否则，这决定了对数据进行平均的类型用下面几种统计方法的哪一种：
先说对于'micro' ：
这两种写法是等价的
print(precision_score(y_test, y_pred,average='micro'))
print(np.sum(y_test == y_pred) / len(y_test))
以下内容中，P表示二分类时精确率的计算结果 部分内容参考
' macro ' ： 相当于类间不带权重。不考虑类别数量，不适用于类别不均衡的数据集，其计算方式为： 各类别的P求和/类别数量
' weighted ' : 相当于类间带权重。各类别的P × 该类别的样本数量（实际值而非预测值）/ 样本总数量
举个例子：
如实际样本中，0类有98个样本，1类有2个样本，3类有100个样本,共有3类，样本总数为20。
预测结果中，0类全部预测为3类，全部错误；1类全部预测正确；3类全部预测为0类，全部预测错误。
则P_macro = 0 + 1 + 0 / 3 = 0.33333333
P_weighted = 0×98 + 1×2 + 0×100 / 200 = 2/200 = 0.01
再举个例子：
如共有100个样本，0类98个，1类2个；
预测结果为全0
则P_macro = 0.98 + 0 / 2 = 0.49
P_weighted = 98×0.98 + 0×2 / 100 = 2/200 = 0.9604
得出结论：
对于类别不均衡的分类模型，采用macro方式会有较大的偏差，采用weighted方式则可较好反映模型的优劣，因为若类别数量较小则存在蒙对或蒙错的概率，其结果不能真实反映模型优劣，需要较大的样本数量才可计算较为准确的评价值，通过将样本数量作为权重，可理解为评价值的置信度，数量越多，其评价值越可信。
官方说明：
average : string, [None, 'binary' (default), 'micro', 'macro', 'samples', \
'weighted']
This parameter is required for multiclass/multilabel targets.
If ``None``, the scores for each class are returned. Otherwise, this
determines the type of averaging performed on the data:
``'binary'``:
Only report results for the class specified by ``pos_label``.
This is applicable only if targets (``y_{true,pred}``) are binary.
``'micro'``:
Calculate metrics globally by counting the total true positives,
false negatives and false positives.
``'macro'``:
Calculate metrics for each label, and find their unweighted
mean. This does not take label imbalance into account.
``'weighted'``:
Calculate metrics for each label, and find their average weighted
by support (the number of true instances for each label). This
alters 'macro' to account for label imbalance; it can result in an
F-score that is not between precision and recall.
``'samples'``:
Calculate metrics for each instance, and find their average (only
meaningful for multilabel classification where this differs from
:func:`accuracy_score`).