KNOWECON WIKI

ARTICLE

真正率

真正率 (True Positive Rate, TPR) 真正率 (True Positive Rate, TPR)，也称为灵敏度 (Sensitivity) 或召回率 (Recall)，是二元分类和假设检验中评估分类/检测性能的核心指标之一。它衡量的是在所有实际为正的样本中，模型正确识别为正类的比例。直观而言，真正率回答的问题是：对于真正的阳性个体，模型

浏览 0 更新 2025-12-27

真正率 (True Positive Rate, TPR)

真正率 (True Positive Rate, TPR)，也称为灵敏度 (Sensitivity) 或召回率 (Recall)，是二元分类和假设检验中评估分类/检测性能的核心指标之一。它衡量的是在所有实际为正的样本中，模型正确识别为正类的比例。直观而言，真正率回答的问题是：对于真正的阳性个体，模型有多大的概率将其"抓出来"。

混淆矩阵与定义

理解真正率需要先引入混淆矩阵 (Confusion Matrix)。对于一个二元分类问题，模型的预测结果与实际标签交叉后可得到四种组合：

  • 真正 (True Positive, TP)：实际为正，预测为正。
  • 假负 (False Negative, FN)：实际为正，预测为负。
  • 假正 (False Positive, FP)：实际为负，预测为正。
  • 真负 (True Negative, TN)：实际为负，预测为负。

在此基础上，真正率定义为：

TPR=TPTP+FN=TPP\mathrm{TPR} = \frac{\mathrm{TP}}{\mathrm{TP} + \mathrm{FN}} = \frac{\mathrm{TP}}{P}

其中 P=TP+FNP = \mathrm{TP} + \mathrm{FN} 表示实际正类样本的总数。TPR 的取值范围为 [0,1][0, 1]，数值越接近 1 表示模型的"命中率"越高。在医学诊断中，TPR 也被称为灵敏度，表示患有疾病（阳性）的个体被正确诊断出患病的概率。

与真正率相对应的另一关键指标是假正率 (False Positive Rate, FPR)，定义为 FPR=FPFP+TN\mathrm{FPR} = \frac{\mathrm{FP}}{\mathrm{FP} + \mathrm{TN}}，衡量实际为负的样本中被错误判为正的比例。另一个相关概念是真负率 (True Negative Rate, TNR)，即特异度 (Specificity)，定义为 TNR=TNTN+FP=1−FPR\mathrm{TNR} = \frac{\mathrm{TN}}{\mathrm{TN} + \mathrm{FP}} = 1 - \mathrm{FPR}。

与精确率和 F1 分数的关系

TPR（召回率）与精确率 (Precision) 共同构成了分类模型性能评估的一对核心指标。精确率定义为 Precision=TPTP+FP\mathrm{Precision} = \frac{\mathrm{TP}}{\mathrm{TP} + \mathrm{FP}}，关注的是"预测为正的样本中有多少是真正的正类"。两者之间存在权衡：当模型提高阈值以增加精确率时，往往以牺牲召回率为代价，反之亦然。

为综合评估这一权衡，常使用F1分数 (F1-Score)，即精确率与召回率的调和平均：

F1=2⋅Precision⋅RecallPrecision+RecallF_1 = 2 \cdot \frac{\mathrm{Precision} \cdot \mathrm{Recall}}{\mathrm{Precision} + \mathrm{Recall}}

F1 分数在精确率与召回率同等重要的场景中尤为适用，例如信息检索和不平衡分类问题。

ROC 曲线与 AUC

真正率与假正率之间随分类阈值变化的轨迹构成了ROC曲线 (Receiver Operating Characteristic Curve)。ROC 曲线以 FPR 为横轴、TPR 为纵轴，描绘了分类器在所有可能阈值下 TPR 与 FPR 的 trade-off 关系。

一个理想的分类器应位于 ROC 空间的左上角，即 TPR=1\mathrm{TPR} = 1 且 FPR=0\mathrm{FPR} = 0。随机猜测的分类器则沿对角线 TPR=FPR\mathrm{TPR} = \mathrm{FPR} 分布。ROC 曲线下的面积称为AUC (Area Under the Curve)，AUC 越大表示分类器的整体判别能力越强。

在假设检验的框架下，真正率等价于检验功效 (Power)，即当原假设为假时正确拒绝原假设的概率。此时，假正率等价于显著性水平 (α\alpha)，即I类错误的概率；而 1−TPR1 - \mathrm{TPR}（即假负率）则为II类错误的概率 (β\beta)。Neyman-Pearson 引理正是在给定 α\alpha 下最大化检验功效（即 TPR）的理论基础。

这一对应关系揭示了分类问题与统计检验之间的深层联系。在实践中，研究者可以通过调整分类阈值来控制 TPR 与 FPR 的相对大小：降低阈值通常能提高 TPR（增加功效），但也会抬高 FPR（增加 I 类错误风险）。这一权衡的本质与显著性水平和样本量之间的互动密切相关——在给定效应量下，更大的样本量可以在不牺牲 FPR 的前提下提升 TPR。

应用场景

真正率在多个学科中具有广泛的应用：

  1. 医学诊断与流行病学：评估一种诊断试剂或筛查方法发现患者的能力。高灵敏度测试适合用于疾病初筛，以减少漏诊风险。
  2. 机器学习与数据科学：在欺诈检测、垃圾邮件过滤和信用评分等场景中，真正率是模型评估的关键指标之一。
  3. 信号检测理论：在雷达探测、心理物理学等领域的信号检测论中，TPR 被称为"击中率" (Hit Rate)，是衡量观察者辨别信号能力的基本量度。
  4. 信息检索：在搜索引擎和文档检索系统中，召回率（即 TPR）衡量系统检索出所有相关文档的能力，通常与精确率搭配使用。

Bayesian 视角下的真正率

从Bayesian统计的角度来看，真正率可以理解为条件概率 P(Y^=+∣Y=+)P(\hat{Y} = + \mid Y = +)，即给定真实标签为正的条件下，模型预测也为正的概率。根据Bayes定理，这一概率与精确率 P(Y=+∣Y^=+)P(Y = + \mid \hat{Y} = +) 之间通过先验概率（即类别的基础比率）相关联。具体而言：

P(Y^=+∣Y=+)⋅P(Y=+)=P(Y=+∣Y^=+)⋅P(Y^=+)P(\hat{Y} = + \mid Y = +) \cdot P(Y = +) = P(Y = + \mid \hat{Y} = +) \cdot P(\hat{Y} = +)

这一关系解释了为何在基础比率极低（如罕见病筛查，P(Y=+)P(Y = +) 接近零）的场景中，即使 TPR 很高，精确率仍可能非常低——因为绝大多数阳性预测实际上来自假正样本。理解这一 Bayesian 关系对正确解读诊断测试结果至关重要。

局限性与注意事项

尽管真正率是极具信息量的指标，但在实际应用中应注意以下几点：

第一，TPR 单独使用可能具有误导性。一个"懒惰分类器"可以通过将所有样本预测为正类来获得 TPR=1\mathrm{TPR} = 1，但此时假正率也为 1，模型毫无实用价值。因此 TPR 必须与 FPR 或精确率联合考察。

第二，在类别不平衡 (Class Imbalance) 问题中，当正类样本极为稀少时，即使是高 TPR 也可能对应极低的精确率。此时应优先参考精确率-召回率曲线 (Precision-Recall Curve) 而非 ROC 曲线。

第三，TPR 对分类阈值敏感。在实际部署中，阈值的选择应取决于误分类的相对成本：当漏检（假负）的代价远高于误报（假正）时，应选择低阈值以追求高 TPR；反之，当误报代价高昂时，应选择高阈值以提高精确率和特异度。

第四，TPR 的计算依赖于真实标签的准确性。在半监督学习或无监督异常检测场景中，真实标签可能无法获取或存在标注噪声，此时 TPR 的估计会引入额外的不确定性。