TP，TN，FP和FN是混淆矩阵（Confusion Matrix）中的四个量，用来评价分类模型的性能。这四个量的含义如下：

• TP（True Positive）：表示实际为正例且被模型预测为正例的样本数量。

• TN（True Negative）：表示实际为负例且被模型预测为负例的样本数量。

• FP（False Positive）：表示实际为负例但被模型预测为正例的样本数量。

• FN（False Negative）：表示实际为正例但被模型预测为负例的样本数量。

其中，"Positive"表示模型预测的类别是正例，"Negative"表示模型预测的类别是负例。在二分类问题中，正例和负例分别对应着模型需要区分的两个类别。

实际是什么例 现在分到哪一类 分没分对

TP 正 正 对 （实际为正例的样本，被预测到正例了）

TN 负 负 对

FP 负 正 错

FN 正 负 错（实际为正例的样本，被预测为负例了）

总结：

实际上属于什么例：同正异负

分到哪一类了：第二位（P or N)

分没分对：第一位 (T or F)