在看论文《Measuring Vedio QoE from Encrypted Traffic》的时候看到TP（True Positives）、FP（False Positives）、Precison、Recall的概念，这属于数据挖掘方面的内容，学习之后特来记录。

首先，下面这个表格可以比较清晰地给出各个情况的名字，也很好记。T：True ，F：False，这个true或者false用于判断预测：若预测为1，实际为1 ，说明这个预测对了，是true的positive，记为TP；若预测为1，实际为0 ，说明这个预测对了，是false的positive，记为FP；以此类推另外两个。

这几个数据之间的比率也具有特定的意义。

True Positive Rate（真正率 , TPR）=TP/(TP+FN),即被正确预测的正样本数目/实际正样本数目。

True Negative Rate（真负率 , TNR）=TN/(TN+FP)，即被正确预测的负样本数目/实际负样本数目。

False Positive Rate(假正率, FPR) = FP /(FP + TN),即被预测为正的负样本结果数 /负样本实际数 

False Negative Rate(假负率 , FNR)=FN /(TP + FN),即被预测为负的正样本结果数 / 正样本实际数

Precison=TP/(TP+FP)

Recall=TP/样本总数（此处有疑问，论文与后注参考网站所说不符，此处为论文说法）

此网站说得较详细，可以参考：http://www.fullstackdevel.com/computer-tec/data-mining-machine-learning/501.html