混淆矩阵

类偏斜（skewed classes）情况表现为我们的训练集中有非常多的同一种类的实例，只有很少或没有其他类的实例。
这里我一信贷还款预测为例，不还款的人是少数类有5%，还款为多数类有95%。这种样本倾斜的情况，我们使用准确率来评定模型的好坏是绝对不行的。因为我们判别所有的用户都是还款用户，这样我们的准确率还有95%，而对我们而言要捕捉的少数类不还款的用户我们全都错过了。这样的衡量标准不适合。我们应该要尽可能的捕捉少数类，即使损失一些多数类。
那这样precision查准率就非常重要了。在这里我们首先介绍一下混淆矩阵。

关键点
TN: 样本真实为负样本，预测表示是负样本
TP: 样本真实为正样本，预测表示是正样本
FP: 样本真实为负样本，预测表示是正样本
FN：样本真实为正样本，预测表示是负样本

假负率：FN/(TN+FN)
假正率：FP/(TP+FP)
召回率/查全率：TP/ (TP+FN)
准确率：(TP+TN)/(TN+TP+FN+FP)正确分类数/样本总数，描述了分类器总体分类准确程度。
查准率=TP/（TP+FP）预测正样本中，实际上正样本的百分比