分类器的性能评估指标：混淆矩阵、精度、召回率、ROC曲线等等

在使用回归器的时候，我们通常用预测结果的准确率来评估模型的优良与否，但该指标并不一定适用于分类器，特别是处理某些偏斜数据集（即某些类比其他类更为频繁时）时。

评估分类器性能的更好方法是混淆矩阵。总体思路就是统计A类别实例被分成为B类别的次数。例如，对于一个0-9数字分类器，要想知道分类器将数字3和数字5混淆多少次，只需要通过混淆矩阵的第5行第3列来查看。
 

下图是一个二分类器预测结果的混淆矩阵，该分类器的功能是把数字（0-9）分为5（正）和非5（负）两类。 

从上图可知，混淆矩阵由四部分组成：第一行第一列是实例为负，预测为负的真负类；第一行第二列是实例为负，预测为正的假正类(FP)；第二行第一列是实例为正，预测为负的假负类(FN)；第二行第二列是实例为正，预测为正的真正类(TP)。

下面介绍精度、召回率的概念：

精度： 即可以理解为在预测为正的结果中的正确率。

召回率：