混要矩阵（Confusion Matrix）,精度（accuracy），准确率（Precision），召回率（recall），ROC与AUC在分类评价中的运用

对于大部分二分类问题，尤其是不平衡数据集（即一个类别出现的次数比另一个类别多很多），通常用的分类评估方法精度指标accuracy并不能很好的反映模型的好坏。

举一个极端的例子，如果1组数据有100个样本，其中99个为正类，1个为负类。如果提供一个模型永远只预测样本为正类，那么这个模型也能有99%的精度。但实际上找个模型其实是很很傻的，什么也没学到，只是因为数据集的不平衡是的模型看上去很好，却永远也无法对负类做出预测。

为了更好的评估负类模型，通测使用混淆矩阵（confusion matrix），为数据的分类任务产生TN，FP，FN和TP四个象限的矩阵，TN为真反例，FP为假正例，FN为假反例，TP为真正例：
真实值是positive，模型认为是positive的数量（True Positive=TP）
真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第一类错误（Type I Error）
真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第二类错误（Type II Error）
真实值是negative，模型认为是negative的数量（True Negative=TN）

由混要矩阵可以延伸出