正例，通常是指符合我们期望的、与目标概念或类别相匹配的数据。例如，如果我们正在训练一个图像识别模型来识别猫，那么正例可能是各种不同形态、颜色和品种的猫的图片。

负例，则是指不符合我们期望的、与目标概念或类别不匹配的数据。例如，在猫的识别任务中，负例可能包括狗、鸟、其他动物或非动物的图片。

• 真正例（True Positive）：指实际为正例且被模型正确预测为正例的样本数量。真实标签是正例，模型也预测为正例。

     TP = 预测为正例且实际为正例的样本数

• 正例（Positive）：指实际为正例的样本数量。真实标签是负例，模型却预测为正例。真实标签是负例，模型却预测为正例。

     P = 实际为正例的样本数

• 负例（Negative）：指实际为负例的样本数量。真实标签是负例，模型也预测为负例。

     N = 实际为负例的样本数

• 真负例（True Negative，TN）：指实际为正例且被模型正确预测为负例例的样本数量。真实标签是正例，模型却预测为负例。

  TN = 预测为负例且实际为正例的样本数

• 假正例（False Positive）：指实际为负例但被模型错误预测为正例的样本数量。真实标签是负例，模型却预测为正例。

     FP = 预测为正例但实际为负例的样本数

衡量模型的性能使用以下常见的评估方法：

• 准确率（Accuracy）：模型正确预测的样本数占总样本数的比例。

     计算公式：Accuracy = (TP + TN) / (P + N)

• 召回率（Recall）：模型正确预测的正例样本数占实际正例样本数的比例。

     计算公式：Recall = TP / P

• 精确率（Precision）：模型正确预测为正例的样本数占预测为正例样本数的比例。

     计算公式：Precision = TP / (TP + FP)

• F1 分数（F1 Score）：综合考虑召回率和精确率的评估指标，它是召回率和精确率的调和平均值。

     计算公式：F1 Score = 2 * (Recall * Precision) / (Recall + Precision)

通过使用正例和负例进行训练，模型可以学习到目标概念或类别的特征和模式，从而提高其对新数据的分类和预测能力。在训练过程中，模型会根据输入数据与正例和负例的相似性来调整其参数，以最小化分类错误。

正例和负例的选择对于训练的效果非常重要。它们应该具有代表性、多样性和平衡性，以确保模型能够学习到足够多的信息并且不会受到偏见的影响。同时，正例和负例的数量也会影响训练的效果，通常需要足够多的数据来覆盖各种可能的情况。