Jak interpretować macierz wiedzy scikita i raport klasyfikacyjny?

Mam zadanie do analizy nastrojów, dla tego im za pomocą tego corpus opinie mają 5 klas (very neg, neg, neu, pos, very pos), od 1 do 5. Więc robię klasyfikację w następujący sposób:

from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
tfidf_vect= TfidfVectorizer(use_idf=True, smooth_idf=True,
                            sublinear_tf=False, ngram_range=(2,2))
from sklearn.cross_validation import train_test_split, cross_val_score

import pandas as pd

df = pd.read_csv('/corpus.csv',
                     header=0, sep=',', names=['id', 'content', 'label'])

X = tfidf_vect.fit_transform(df['content'].values)
y = df['label'].values


from sklearn import cross_validation
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X,
                                                    y, test_size=0.33)


from sklearn.svm import SVC
svm_1 = SVC(kernel='linear')
svm_1.fit(X, y)
svm_1_prediction = svm_1.predict(X_test)

Następnie z metrykami uzyskałem następującą macierz zamieszania i raport klasyfikacyjny, w następujący sposób:

print '\nClasification report:\n', classification_report(y_test, svm_1_prediction)
print '\nConfussion matrix:\n',confusion_matrix(y_test, svm_1_prediction)

To jest wynik:

Clasification report:
             precision    recall  f1-score   support

          1       1.00      0.76      0.86        71
          2       1.00      0.84      0.91        43
          3       1.00      0.74      0.85        89
          4       0.98      0.95      0.96       288
          5       0.87      1.00      0.93       367

avg / total       0.94      0.93      0.93       858


Confussion matrix:
[[ 54   0   0   0  17]
 [  0  36   0   1   6]
 [  0   0  66   5  18]
 [  0   0   0 273  15]
 [  0   0   0   0 367]]

Jak mogę zinterpretować powyższą macierz zamieszania i raport klasyfikacyjny. Próbowałem przeczytać dokumentacja i to pytanie. Ale nadal może zinterpretować to, co się tutaj stało, szczególnie z tymi danymi?. Wny ta matryca jest jakoś "przekątna"?. Z drugiej strony, co oznacza recall, precision, f1score i wsparcie dla tych danych?. Co mogę powiedzieć o tych danych?. Z góry dzięki chłopaki