TP(True Positive)：将正类预测为正类（的数目），真实为0，预测也为0;
FN(False Negative)：将正类预测为负类（的数目），真实为0，预测为1;
FP(False Positive)：将负类预测为正类（的数目）， 真实为1，预测为0;
TN(True Negative)：将负类预测为负类（的数目），真实为1，预测也为1。
假设有一个用来对猫（cats）、狗（dogs）、兔子（rabbits）进行机器学习分类，预测结果（Predicted class）如下图所示。
而实际上共有 27 只动物：8只猫， 6条狗， 13只兔子，如（actual class）所示。
从上表中能看出机器学习预测后的结果了吧，
Cat的正确率： 5/8, 3只猫误判成狗了。
Dog的正确率： 3/6, 2只当成猫，一只误判成兔子。
Rabbit 的正确率：11/13, 准确率还不错，只有2只误判成狗。
Confusion matrix
混淆矩阵是由false positives，falsenegatives，true positives和true negatives组成的两行两列的表格。它允许我们做出更多的分析，而不仅仅是局限在准确率。准确率对于分类器的性能分析来说，并不是一个很好地衡量指标，因为如果数据集不平衡（每一类的数据样本数量相差太大），很可能会出现误导性的结果。
例如，如果在一个数据集中有95只猫，但是只有5条狗，那么某些分类器很可能偏向于将所有的样本预测成猫。整体准确率为95%，但是实际上该分类器对猫的识别率是100%，而对狗的识别率是0%。
对于上面的混淆矩阵，其对应的对猫这个类别的混淆表格如下：
大白话又来了，其实这个矩阵就是告诉你一下信息：
总共8只猫给你预测：
5只猫都对了（true positive） 2只狗错当成了猫
3只猫错当成狗了（false negative） 剩下的（27-5-2-3）=17 都对啦。