真正例

真正例 (True Positive)

真正例（True Positive，简称 TP）是二分类模型评估中的核心概念，指模型正确地将实际为正类的样本预测为正类的情形。在混淆矩阵（Confusion Matrix）的 $2 \times 2$ 框架中，真正例与假正例（False Positive, FP）、真负例（True Negative, TN）、假负例（False Negative, FN）共同构成分类结果的全部四种可能。给定一个样本，其真实标签为 $y \in \{0, 1\}$（$1$ 表示正类），模型预测标签为 $\hat{y} \in \{0, 1\}$，则真正例定义为：$\hat{y} = 1$ 且 $y = 1$。真正例的数量直接反映了分类器对正类样本的捕获能力，是衡量模型性能的最基本要素之一。

真正例与衍生指标

真正例本身是一个绝对计数，在实践中通常通过归一化转化为相对指标以便跨数据集比较。最关键的衍生指标是真正率（True Positive Rate, TPR），又称灵敏度（Sensitivity）或召回率（Recall），定义为：

即所有真实正类样本中被正确识别出来的比例。TPR 回答了"模型找出了多少真实的正例"，在疾病筛查、欺诈检测等不允许漏检的场景中至关重要。

另一个依赖真正例的核心指标是查准率（Precision）：

查准率衡量模型判定为正类的样本中有多少确实是正例，回答了"模型的阳性预测有多可靠"。真正例在召回率和查准率中同时出现，使其在Precision-Recall权衡中处于枢纽位置：调整分类阈值以增加 TP 通常会同时提高召回率，但可能因伴随 FP 的增加而降低查准率。这一张力是分类器调优的核心矛盾。

真正例在模型评估中的角色

在ROC曲线的构造中，真正率（纵轴）以真正例为基础，与基于假正例的假正率（False Positive Rate, $\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}$）共同描绘分类器在不同阈值下的性能轨迹。ROC 曲线下的面积 AUC-ROC 衡量模型区分正负类的整体能力，不受特定阈值选择的限制。

在F1分数中，真正例的角色更为直观：

真正例出现在分子中，且同时通过查准率与召回率两个因子影响最终得分。F1 分数在类别不平衡的场景下比准确率更能反映模型对正类的实际表现，因为准确率 $\frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}}$ 在负类占绝对多数时容易被 TN 主导，从而掩盖真正例捕获不足的问题。

真正例与成本敏感学习

在实际应用中，捕获真正例的价值与遗漏真正例的代价往往不对称。成本敏感学习（Cost-Sensitive Learning）框架下，真正例与假负例之间的权衡需根据业务损失函数来校准。例如在医疗诊断中，一个假负例（漏诊）的代价可能是一个假正例（误诊）的数十倍，此时模型优化目标应从最大化准确率转向最大化真正例的加权价值。类似地，在信息检索和推荐系统中，真正例直接对应用户真正感兴趣的命中项，其数量和质量决定了用户体验的核心指标。在搜索引擎评估中，真正例对应"相关且被检索到的文档"，是计算召回率和查准率@k 等排序指标的基础。

真正例与统计学概念的关联

真正例的概念与统计假设检验中的统计功效（Statistical Power）有着数学上的对应关系。在假设检验框架中，当备择假设为真时正确拒绝零假设的概率即为功效，这在形式上等价于分类语境下的真正率：备择假设为真 $\leftrightarrow$ 真实标签为正类，拒绝零假设 $\leftrightarrow$ 预测为正类。因此，$1 - \text{功效}$ 等价于假负率（$\frac{\text{FN}}{\text{TP} + \text{FN}}$），即第二类错误概率 $\beta$。这一对应关系揭示了分类评估与统计推断在底层逻辑上的一致性，也为理解真正例的统计意义提供了更深层的视角。