1、混淆矩阵(以二分类为例)
| 标准集 | |||
| 验证集 | 真实的P样本（positive） | 真实的N样本（Negtive） | |
| 预测的P样本 | TP(预测的P是真的) | FP(预测的P是假的) | |
| 预测的N样本 | FN(预测的N是假的) | TN（预测的N是真的） | |
现在开始解释各种真阳、假阴。
举例：由医学引入机器学习；
一个病人，长了个肿瘤，去医院检查，分别有以下情况：
1、真实情况：恶性，检查结果：恶性，这种情况就叫做：true positve，姑且称为真阳性吧。
2、真实情况：良性，检查结果：恶性，这种情况就叫做：false positve，假阳性。
3、真实情况：恶性，检查结果：良性，这种情况就叫做：false negative，假阴性。
4、真实情况：良性，检查结果：良性，这种情况就叫做：true negtive，真阴性。
好拗口，上表。（注意：阳性是有病，阴性是没病）
| 金准集 | |||
| 某筛检方法 | 阳性（恶性） | 阴性（良性） | |
| 阳性（恶性） | TP(真阳性) | FP(假阳性) | |
| 阴性（良性） | FN(假阴性) | TN（真阴性） | |
发现一切命名以预测的结果为主。
2、真阳率与假阳率
真阳率（True Positive Rate, TPR）就是：
TP/(TP+FN)
含义是检测出来的真阳性样本数除以所有真实阳性样本数。
假阳率（False Positive Rate, FPR）就是：
FP/(FP+TN)
含义是检测出来的假阳性样本数除以所有真实阴性样本数
3、各种率
误检率：FP/(FP+TN)
查准率（精确度）：TP/(TP+FP) 反映了被分类器判定的正例中真正的正例样本的比重
查全率（召回率）：TP/(TP+FN) 反映了被正确判定的正例占总比例的比重
漏警率: MA = FN/(TP+FN) ; 反映有多少个正例被漏判了。
虚警率： FA = FP/(TP+FP); 反映被判为正例样本中，有多少个负例。