摘要：
混淆矩阵的正面例子通常是我们需要注意的，而反面例子是我们不需要注意的。在需要识别贷款需求的人的分类任务中，正面例子代表有贷款需求的人员，反面例子代表没有贷款需求的个人。以下是一些基于混淆矩阵来测量和分类任务的方法：所有确定的正面例子中，真实正面例子的比例越高，效果越好。基于该贷款需求识别任务，识别的正面示例在实际正面示例中的比例越高越好。当然，TP越高，但实际上，TP越高越高。
混淆矩阵：
混淆矩阵的正例一般是我们需要关注的，常用1表示，反例是我们不关注的，常用0表示。例如：一个需要识别借贷需求的人的分类任务中，正例表示有借贷需求的人，反例表示没有借贷需求的人。下面定义一些基于混淆矩阵的度量分类任务的方法：
查准率（Precision）：
基于这个借贷需求识别任务说明：所有识别出来的正例中真实正例的占比，越高越好。
召回率（Rcall）：
基于这个借贷需求识别任务说明：所识别出来的正例在在实际正例中的占比，越高越好。
当然TP越高，二者都高。但是现实中这两个一般一个高，另一个就低。在借贷需求识别任务中识别出的正例会交给电话销售，如果电话销售成本高，我们当然希望识别出的正例中真实正例越高越好，即优先保证查全率高；如果电话销售的成本低，那么有限保证召回率高。
F1度量：
