TP， FP 可以划分为T，F，P解释， 如：TP，正确的划分为正例的

Precision 精准率

公式为：p = TP/（TP + FP)
解释为： 正确的正例/ 正确的正例 + 错误的正例

看如下例子：

其中： TP（true positive） = 20
FP （False positive）= 30 理解为错误的划分为正确的例子的数量，30个男生
所以p = 2/5

精准率可以解释为： 划分正确的比例，所以等于正确的/ 所有的

Recall 召回率

公式为：
p = TP/（TP + FN）
FN ： false nagitive 即错误判断为负样本了，也就是0 个，没有把女生判断为男生。
TN： true nagitive 正确的判断为负样本的， 也就是剩下的50个男生， 也就是50

公式的理解

精度： 我们通常说非常准确， 主要是因为你检测的东西每一个都是对的，不考虑是否全部检测到，所以只需要考虑精准度，
也就是每个判断是不是对的，所以用正确的/所有的 ，就是概率， 而
正确的 = TP
所有的 = TP + FP
理解为： 错误判断为正确的，加上判断正确的，就是所有的， 好比下图，你需要检测人， 把错误的箱子也当成人了，这个就是错误的判断为人的。 所以p = 2/（2 +1） = 2/3 大概66.66% 的正确判断

而查全率，recall，也可以叫召回率
理解为：查到的所有物品/所有应查到的
查到的所有正确物品 = TP
所有应查到的 = TP + FN
FN 可以理解为：错误的判断为负例子的，本来应该是正确的物品，你应该检测到的，被误判为负的，没有标记，就是成了漏网之鱼了，所以加上正确的判断样本，就是所有应该判断的样本数
如上图：红框为漏掉的样品，即 TP = 2 FN = 2 所以查全率为0.5