TP、True Positive 真阳性：预测为正，实际也为正
FP、False Positive 假阳性：预测为正，实际为负
FN、False Negative 假阴性：预测与负、实际为正
TN、True Negative 真阴性：预测为负、实际也为负。
也就是说，预测和实际一致则为真，预测和实际不一致则为假；如果预测出来是“正”的，则为“阳”，预测结果为 “负”，则为“阴”。
先看一个简单的二分类问题。
比如说总共有100个人，其中60个人患有疾病，40个人是健康的。我们的要找出里面的病人，我们一共找出了50个我们认为的病人，其中40个确实是病人，另外10个是健康的。因为我们要找的是“病人”，所以“病人”就是正样本，健康者是负样本。
TP 正阳性：预测为正，实际也为正，也就是预测为病人，实际也是病人的样本数目，一个有40个。
FP 假阳性：预测为正，实际为负。预测为病人，但实际不是病人，有10个。
FN 假阴性：预测为负，实际为正。我们找出了50个我们认为的病人，剩下50个我们认为都是健康的，但事实上剩下的50个人中，有20个是病人。这20个就是假阴性的数目。预测没病，但实际有病。
TN 真阴性：预测为负，实际为负。我们找出了50个我们认为的病人，剩下的50个就是我们预测的负样本，但是这50个样本中，有20个是病人，剩下30个才是负样本，所以真阴性的个数为30。
以一个等级预测为例。
为了叙述方便，下文一律把“等级”称呼为“类”。
首先看真阳性TP：预测为正，实际也为正。也就说本来属于哪个类，预测出来还是那个类，就叫真阳性。对于类A而言，实际是A，预测出来还是A的有“璇璇”和“晓慧”，那么类A的真阳性TP的个数为2。对于类B而言，实际是B，预测出来还是B(说成预测出来是B，实际也是B是等效的)的只有“鱼丸”，所以类B的真阳性个数为1。同理对于类C而言，真阳性TP的个数也为1。
接下来看假阳性FP：预测为正，实际为负。就是说你预测她是某个类，但她实际不是，就是假阳性。对于类A而言，假阳性FP的个数为1，就是“奶副”，预测为A，但实际是B。对于类B而言，假阳性FP的个数为3，分别是“美君”，“梦慧”和“甜甜”，预测出来是B，但实际都不是。类C的假阳性FP个数为1，是“菌菇”，预测出来是C，但实际是B。
假阴性FN，预测与负、实际为正。就是预测不是，但是实际是，还是结合前边的表格来看。对于类A而言，假阴性就是预测不是A，但实际是A(注意和假阳性的区别)，这样的情况有“美君”，预测为B（负），但实际是A（正）所以类A假阴性的个数为1。类B假阴性的，有“奶副”和“菌菇”，所以为2。同理类C的假阴性个数为2，分别是“甜甜”和“梦慧”。
至于真阴性在多分类中的应用我暂时还没搞明白。不过无碍，毕竟还是用Precision和Recall比较多，而这两个用不到真阴性。