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：
