True Positive （真正, TP）被模型预测为正样本，实际为正样本；

False Positive （假正, FP）被模型预测为正样本， 实际为负样本；

True Negative（真负 , TN）被模型预测为负样本，实际为负样本 ；

False Negative（假负 , FN）被模型预测为负样本，实际为正样本；

举例:

实际样本标签  actual_issame             = [1 1 1 1 1 1 0 0 0 0 0]

预测样本结果  predict_issame            = [1 1 0 1 0 1 1 0 0 0 0]

实际样本标签  actual_issame_not       = [0 0 0 0 0 1 1 1 1 1 1]

预测样本结果  predict_issame_not      = [0 0 1 0 1 0 0 1 1 1 1]

正样本个数为6

负样本个数为5

TP + FN = 正样本个数为6

FP + TN = 负样本个数为5

TP = 4  TN = 4  FP = 1  FN = 2

贴一段计算代码

predict_issame = np.less(dist, threshold)
tp = np.sum(np.logical_and(predict_issame, actual_issame))
fp = np.sum(np.logical_and(predict_issame, np.logical_not(actual_issame)))
tn = np.sum(np.logical_and(np.logical_not(predict_issame), np.logical_not(actual_issame)))
fn = np.sum(np.logical_and(np.logical_not(predict_issame), actual_issame))

tpr = 0 if (tp+fn==0) else float(tp) / float(tp+fn)
fpr = 0 if (fp+tn==0) else float(fp) / float(fp+tn)
acc = float(tp+tn)/dist.size
return tpr, fpr, acc

以上面的为例

TP = 4  TN = 4  FP = 1  FN = 2

tpr = TP /（TP + FN）= 4/(4+2) = 66.7%

fpr = FP /（FP + TN）= 1 / (1+4) = 20%

acc = (tp+tn) / (总的样本个数) = (4+4) / 11 = 72.7%

True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） 
   TPR = TP /（TP + FN）

True Negative Rate（真负率 , TNR）或特指度（specificity） 
   TNR = TN /（TN + FP）

False Positive Rate （假正率, FPR） 
   FPR = FP /（FP + TN）

False Negative Rate（假负率 , FNR） 
   FNR = FN /（TP + FN）

还有另外两个评价指标，针对正样本的评价指标

ROC曲线: TPR与FPR博弈的过程曲线，在不同阈值判决下

分类器希望的是TPR越大，FPR越小，

降低阈值可以使TPR变大，FPR也会越大

提高阈值可以降低FPR，但是TPR会降低

实际中需要根据实际场景进行合理选择阈值，

比如在人脸识别支付的时候，对FPR比较敏感，FPR越小，错误接收的用户可能性越小，用户的钱财越安全， 这个时候，可以提高阈值，降低FPR，TPR也会下降(用户体验会下降)。

在如精准营销领域的商品推荐模型，模型目的是尽量将商品推荐给感兴趣的用户，若用户对推荐的商品不感兴趣，也不会有很大损失，因此此时TPR相对FPR更重要，这个时候可以降低阈值。