参考手册
本案例使用混淆矩阵评估鸢尾花数据集上分类器输出质量。对角线元素表示预测标签等于真实标签的点数，而非对角线元素则是分类器未正确标记的点。混淆矩阵的对角线值越高越好，表明正确的预测越多。
这些图按类支持尺寸（class support size，即每个类中的样本量）显示了归一化后及未归一化的混淆矩阵。在类别不平衡的情况下，这种归一化可能带来有趣的结果，可以对哪个类被错误分类具有更直观的解释。
在这里，结果并不如我们预期的那样好，因为我们选择的正则化参数C并不是最好的选择。在现实生活的应用中，通常使用超参数的调参来选择此参数。
