说明StratifiedKFold的作用及K折交叉验证中模型评估各个指标的计算及含义（代码中的六个评估指标）

StratifiedKFold是一种交叉验证的方法，用于在数据集上评估模型的性能。该方法将数据集划分为K个互斥的子集，称为“折叠”，每个折叠都包含相同数量的类别标签。在每次迭代中，使用K-1个折叠进行训练，然后使用剩余的折叠进行测试。这个过程会重复K次，每个折叠都被用作测试数据一次。最终，通过对K次迭代的结果进行平均，得到模型的性能评估。

在K折交叉验证中，通常使用一些指标来评估模型的性能，其中包括以下六个指标：

1. 准确率（accuracy）：分类正确的样本数占总样本数的比例。

2. 精确率（precision）：在所有被预测为正例的样本中，实际为正例的样本数占比。

3. 召回率（recall）：在所有实际为正例的样本中，被预测为正例的样本数占比。

4. F1值（F1-score）：精确率和召回率的调和平均数，用于综合评估模型的性能。

5. AUC值（Area Under Curve）：ROC曲线下的面积，用于评估二分类模型的性能。

6. Log损失（Log loss）：用于评估概率模型的性能，计算的是预测结果与实际结果之间的差异。

在代码中，可以使用sklearn.metrics库来计算这些指标。例如，可以使用accuracy_score计算准确率、precision_score计算精确率、recall_score计算召回率、f1_score计算F1值、roc_auc_score计算AUC值，以及log_loss计算Log损失。