我们的目标是在事前申请的情况下，尽可能准确的预测好的批准和坏的拒绝申请者。给定测试机，分类正确率可以被定义为做出准确预测的数量除以所有案例数，即好的能够鉴别好的，坏的能鉴别坏的。
 
该分类甚至可以在没有任何评级或者评分系统的情况下得出（分类树），在这种情况下，该准确率就是一个直接、直观的结果衡量方法。在有评分和评级系统的情况下，该准确率就变得有点儿模糊，因为它取决于选址的临界值。ACC（分类正确率）另外一个不足在于，它可能取决于测试集中好的与坏的的比例。如果一个不好的分类系统可能将所有案例就鉴别为好的。
 
更进一步的解释这种情况，可以用所谓的误差矩阵，该矩阵将所有申请者分成好的和坏的。
 
误差矩阵
 
潜在可能性的误差矩阵
 
这种方法更加实用，因为通常在验证样本中，不会准确的指导拒绝的申请者的那种好的和坏的的真实情况，我们也不会知道被拒绝的申请者的真实的违约情况。