基于不平衡数据的混淆矩阵，通常会用到下列术语：
真正（True Positive, TP）对应 f 11 ，表示正确预测的正样本数。
假负（False Negative, FN）对应 f 10 ，表示错误预测为负类的正样本数。
假正（False Positive, FP）对应 f 01 ，表示错误预测为正类的负样本数。
真负（True Negative, TN）对应 f 00 ，表示正确预测的负样本数。
针对不平衡数据的性能度量有以下几种：
真正率（True Positive Rate, TPR）或灵敏度（Sensitivity）或召回率（Recall）：正确预测的正样本占正样本的比例，即
具有高召回率的样本，很少将正样本误分类为负样本。
真负率（True Negative Rate, TNR）或特指率（Specificity）：正确预测的负样本占负样本的比例，即：
假正率（False Positive Rate, FPR）：错误预测为正类的负样本占负样本的比例，即：
假负率（False Negative Rate, FNR）：错误预测为负类的正样本占正样本的比例，即：
精度（Precision, Pre）：正确预测的正样本占所有预测为正类的样本的比例，即：
