假正例与假负例的平衡
假正例（False Positive）：预测为1，实际为0的样本
假负例（False Negative）:预测为0，实际为1的样本
实际预测中，那些真正例（True Positive）和真负例（True Negative）都不会造成损失（cost）。
那么，我们假设一个假正例的损失是LFP，一个假负例的损失是LFN。
我们可以得到一个损失矩阵：
| y^=1 | y^=0 | |
| y=1 | 0 | LFN |
| y=0 | LFP | 0 |
其中，y是真实值，y^是预测值。
那么，我们可以得到一个样本的后验期望损失：
![clip_image002[6]](http://images0.cnblogs.com/blog/558074/201312/12153417-070b7ae9b5b74abdbced3d6a69c98f07.png "clip_image002[6]"){kind=small}
当![clip_image002[8]](http://images0.cnblogs.com/blog/558074/201312/12153417-87c438d3a4ce4f13be72ee71057b6ea5.png "clip_image002[8]"){kind=small}
的时候，我们会预测结果为y^1=1，此时
![clip_image002[10]](http://images0.cnblogs.com/blog/558074/201312/12153418-db93efddddbd4d20851b56612bd9eaf4.png "clip_image002[10]"){kind=small}
假设，![clip_image002[12]](http://images0.cnblogs.com/blog/558074/201312/12153419-0078dd1bd162494dbc31b3d3d10b498a.png "clip_image002[12]"){kind=small}
，那么我们可以得到决策规则：
![clip_image002[14]](http://images0.cnblogs.com/blog/558074/201312/12153420-03bddd3118654ce8ab512d89e95dda08.png "clip_image002[14]")
其中，![clip_image002[16]](http://images0.cnblogs.com/blog/558074/201312/12153421-f0156f27ccf44c95b2d656c07b9ed0fd.png "clip_image002[16]"){kind=small}
，也就是我们的决策边界。
例如，c=1时，我们对假正例和假负例同等对待，则可以得到我们的决策边界0.5。
参考资料：《machine learning： A Probablistic Perspective》
