混淆矩阵
混淆矩阵（Confusion Matrix）是可视化工具，特别用于监督学习，在无监督学习中一般叫做匹配矩阵，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。
TP的定义：实际为正预测为正
FP的定义：实际为负但预测为正
TN的定义：实际为负预测为负
FN的定义：实际为正但预测为负
召回率（Recall,TNR）：预测对的正例数占真正的正例数的比率
计算公式：Recall=TP / (TP+FN)
准确率：反映分类器统对整个样本的判定能力，能将正的判定为正，负的判定为负
计算公式：Accuracy=(TP+TN) / (TP+FP+TN+FN)
精准率：指的是所得数值与真实值之间的精确程度；预测正确的正例数占预测为正例总量的比率
计算公式：Precision=TP / (TP+FP)
F值：F-score是Precision和Recall加权调和平均数，并假设两者一样重要
计算公式：F1 Score=(2RecallPrecision) / (Recall+Precision)
二分类评估
**AUC（Area Under Curve）**被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。
AUC值是一个概率值，当你随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。
KS值，正样本洛伦兹曲线记为f(x)，负样本洛伦兹曲线记为g(x)，K-S曲线实际上是f(x)与g(x)的差值曲线。K-S曲线的最高点（最大值）定义为KS值，KS值越大，模型分值的区分度越好，KS值为0代表是最没有区分度的随机模型。准确的来说，K-S是用来度量阳性与阴性分类区分程度的。
