TP：标签为正例，预测为正例(P)，即预测正确(T)
TN：标签为负例，预测为负例(N)，即预测正确(T)
FP：标签为负例，预测为正例(P)，即预测错误(F)
FN：标签为正例，预测为负例(N)，即预测错误(F)
其中 T：True F：False P：Positive N：Negative
由于缩写较为难记，我将其分别记为：真的正样本(TP)，真的负样本(TN)，假的正样本(FP)，假的负样本(FN)
准确率：accuracy = (TP + TN) / (TP + TN + FP + FN)，即预测正确的样本占所有样本的比例
精度：precision = TP / (TP + FP)，即真的正样本占所有被预测为正样本的比例
召回率：recall = TP / (TP + FN)，即所有正样本中有多少被正确预测出来
机器学习基础梳理—(accuracy,precision,recall浅谈)
原文：https://www.cnblogs.com/cookbook/p/12310262.html