仿照上篇博文對於混淆矩陣、ROC和AUC指標的探討，本文簡要討論機器學習二分類問題中的混淆矩陣、PR以及AP評估指標；實際上，（ROC,AUC）與（PR,AP）指標對具有某種相似性。
按照循序漸進的原則，依次討論混淆矩陣、PR和AP：
設定一個機器學習問題情境：給定一些腫瘤患者樣本，構建一個分類模型來預測腫瘤是良性還是惡性，顯然這是一個二分類問題。
本文中，將良性腫瘤視為正類標籤（可能在具體實踐中更為關注惡性腫瘤，不過這並不影響技術上的操作）。
當分類模型選定以後，將其在測試資料集上進行評估，分別可以得到以下評估指標：
混淆矩陣
TP表示預測為良性，真實情況是良性的樣例數；
FN表示預測為惡性，真實情況是良性的樣例數；
FP表示預測為良性，真實情況是惡性的樣例數；
TN表示預測為惡性，真實情況是惡性的樣例數；
以上四類資料構成混淆矩陣。
PR
在混淆矩陣的基礎上，進一步地定義兩個指標。
按照下式定義precision（P）指標
precision表示，預測為正的樣本中有多少是真正的正樣本；精準率強調對某類樣本識別的準確性。
按照下式定義recall（R）指標
recall表示，樣本中的正例有多少被預測正確了；召回率強調對某類樣本識別的全面性。
precision,recall分別反映分類器對某一類樣本鑑別能力的兩個方面；通常，這兩個指標呈現互斥關係，即一個指標高了往往會致使另一指標降低。
由上，一個混淆矩陣對應一對（precision,recall）
需要明確的是，P和R是建立在類別明確的預測結果之上的，即分類模型明確地指出待預測樣本的類別。
然而，在二分類問題（0，1）中，一般模型最後的輸出是一個概率值，表示結果是1的概率。此時需要確定一個閾值，若模型的輸出概率超過閾值，則歸類為1；若模型的輸出概率低於閾值，則歸類為0。
不同的閾值會導致分類的結果不同，也就是混淆矩陣有差，P和R也就不同。
當閾值從0開始慢慢移動到1的過程，就會形成很多對（precision,recall）的值，將它們畫在座標系上，就是所謂的PR曲線了。
AP
得到PR曲線後，就可以計算曲線下方的面積，計算出來的面積就是AP值。
一般而言，AP越大，模型的效能越好。
示例
