假設要識別照片中的狗的，在一些照片中，包含12只狗的照片和一些貓的照片。算法識別出有8只狗。在確定的8只狗中，5只實際上是狗（真陽性TP），而其余的是貓（假陽性FP）。該程序的精度為5/8，而其召回率為5/12。
| Predicted | |||
| Actual | 狗(+) | 貓(-) | |
| 狗(+) | 5(TP) | FN | 12 |
| 貓(-) | 3(FP) | TN | |
| 8 |
Confusion matrix
TP: T 是指標記正確， P 是指實際中的類別是P類, 所以
TP：正確地標記為正。
FP：錯誤地標記為正（即原來是負，標記成正）。
FN：錯誤地標記為負（即原來是正，標記成負）。
TN：正確地標記為負。
查准率 = 精度 = precision
查全率 = 召回率 = recall
當搜索引擎返回30個頁面時，只有20個頁是相關的(實際相關)，而沒有返回另外40個相關頁面，其精度為20/30 = 2/3，而召回率為20/60 = 1/3。所以，在這種情況下，精度是“搜索結果有用”，召回率是“結果如何完整”。
| Predicted | |||
| Actual | (+) | (-) | |
| (+) | 20(TP) | 40（FN) | 60 |
| (-) | FP | TN | |
| 30 |
Confusion matrix
商品推薦系統中，為了盡可能地少打擾用戶，更希望推薦內容確實是用戶感興趣的，就要提高精度（查准率），在分類時，慎重地預測為+，也就是說，預測成正地比例將減小，即中 TP+FP變小，分母變小,分子也變小，但是分母變化的更劇烈，所以精度變大。在公式中，TP變小，分子變小，分母（實際的正類）不變，召回率變小。
在逃犯信息檢索系統中，更希望盡可能地少漏掉逃犯，此時，就要提高召回率（查全率），在分類時，盡量多的預測為+，就需要提高預測正類的比例，TP+FP 變大，TP變大，在公式中 TP變大，分母不變,分子變大，所以召回率變大。在公式中，分母變大，分子變大，但是分母變化的更劇烈，所以精度變小。