机器学习傻瓜式混淆矩阵（分类结果）

在前文内容中，我们详细阐述了多种机器学习算法及其应用方向：
KNN算法适用于处理分类任务；
线性回归模型主要用于解决回归问题；
逻辑回归方法既可以用于分类任务，也可以用于回归任务；
……
总体而言，机器学习算法所针对的问题可以划分为两个主要类别，即分类问题与回归问题。
从上述内容可以看出，通过构建多种机器学习模型所获得的结果需要进行相应的评估。
针对回归问题的评估指标包括MSE、MAE、RMSE以及R²（截至目前为止最为有效的评估方式）；
而针对分类问题的评估则通常采用分类准确度（accuracy_score）作为衡量标准。
根据实践经验可知，对分类问题的评估过程相较于回归问题要复杂得多。

小引子：
假设我们构建了一个用于检测新冠肺炎的系统，输入待检测个体的相关数据后，系统将依据分析结果判断其是否感染了新冠肺炎。若该系统预测的准确度为99.9%，并且感染新冠肺炎的概率仅为0.1%，那么即使系统不执行任何操作，其预测准确度依然可以达到99.9%。
通过深入分析这一现象可知，在面对极度偏斜的数据（Skewed data）时，仅依赖于分类准确度作为评估手段是远远不够的。

极度偏斜的数据指的是各类别样本数量差异极大的情况，例如新冠肺炎感染的概率为1:10000。

当数据呈现极度偏斜特性时，即使系统不采取任