机器学习部分：混淆矩阵问题（Confusion Matrix）

混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。 对以上混淆矩阵的解释： P：样本数据中的正例数。 N：样本数据中的负例数。 Y：通过模型预测出来的正例数。 N：通过模型预测出来的负例数。 True Positives:真阳性，表示实际是正样本预测成正样本的样本数。 Falese Positives:假阳性，表示实际是负样本预测成正样本的样本数。 False Negatives

>>阅读原文<<