二元分类问题中经常提到的TP，TN，FN，FP都是什么意思？

第一个字母T和F代表true和false，是形容词。
第二个字母代表P和N阴性阳性，positive和negative，是预测结果。

所以现在翻译一下：
TP: true positive, 正确的阳性，说明预测是阳性，而且预测对了，那么实际也是正例。
TN: true negative, 正确的阴性，说明预测是阴性，而且预测对了，那么实际也是负例。
FP: false positive, 假阳性，说明预测是阳性，预测错了，所以实际是负例。
FN: false negative, 假阴性，说明预测是阴性，预测错了，所以实际是正例。

第一个字母表示你的预测值是否正确，第二个字母表示你的预测值是什么。

评价指标：

1）正确率（accuracy）
　　正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好；
2）错误率（error rate)
　　错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 -  error rate；
3）灵敏度（sensitive）
　　sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力；
4）特效度（specificity)
　　specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力；
5）精度（precision）
　　精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/（TP+FP）；
6）召回率（recall）
　　召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。

参考链接

http://www.cnblogs.com/zhizhan/p/4870429.html