TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。
【举例】一个班里有男女生，我们来进行分类，把女生看成正类，男生看成是负类。我们可以用混淆矩阵来描述TP、TN、FP、FN。
| 相关（Relevant），正类 | 无关（NonRelevant），负类 | |
| 被检索到（Retrieved） | True Positives（TP，正类判定为正类。即女生是女生） | False Positives（FP，负类判定为正类，即“存伪”。男生判定为女生） |
| 未被检索到（Not Retrieved） | False Negatives（FN，正类判定为负类，即“去真”。女生判定为男生） | True Negatives（TN，负类判定为负类。即男生判定为男生） |
准确率：accuracy_score 所有的预测正确（正类负类）的占总的比重。accuracy_score=(TP+TN)/(TP+TN+FP+FN)。
精确率：precision_score 正确预测为正的占全部预测为正的比例。即查准率 precision_score=TP/(TP+FP)
召回率：recall_score 正确预测为正的占全部实际为正的比例。即查全率 recall_score=TP/(TP+FN)
均方误差：mean_squared_error 衡量“平均误差”的一种较方便的方法。是参数估计值与参数真值之差的平方的期望值（均值）。常运用在信号处理的滤波算法（最小均方差）中，表示此时观测值observed与估计值 predicted之间的偏差。
可释方差：explained_variance_score
R方值：r2_score