真负例

真负例 (True Negative)

真负例（True Negative，简称TN）是分类模型性能评估中的核心概念之一，指模型正确预测为负类（Negative）的样本。具体而言，当一个样本的真实标签为负类，且模型的预测结果也为负类时，该样本即被计为一个真负例。在混淆矩阵（Confusion Matrix）的框架中，真负例位于矩阵的实际为负·预测为负的单元格中，与真正例（True Positive, TP）、假正例（False Positive, FP）和假负例（False Negative, FN）共同构成了分类结果的全景描述。

真负例的概念在医学检验、信息检索、机器学习和统计推断等领域具有广泛的适用性。以医学诊断中某种疾病筛查为例：若一名健康受检者的检测结果为阴性（未患病），则该结果即为一个真负例。真负例的数量本身并不直接反映模型性能的优劣，但它是计算多种关键评估指标的基础。

混淆矩阵中的定位与关系

在二分类问题中，给定一个包含正类和负类样本的数据集，分类器对每个样本做出预测，四类结果构成如下混淆矩阵：

• 真正例（TP）：实际为正类，预测为正类
• 真负例（TN）：实际为负类，预测为负类
• 假正例（FP）：实际为负类，预测为正类（第一类错误，弃真错误）
• 假负例（FN）：实际为正类，预测为负类（第二类错误，纳伪错误）

真负例和真正例代表模型的正确预测，而假正例和假负例代表错误预测。在数学上，总样本数量 $N$ 满足以下恒等式：

真负例的重要意义在于它同时参与了特异性（Specificity）和准确率（Accuracy）的计算。特异性的定义为：

特异性衡量模型正确识别负类样本的能力，在医学筛查、欺诈检测和安防监控等以负类为主体的场景中至关重要。在这类应用中，负类样本（如健康人群、合法交易）的体量往往远大于正类样本（如患者、欺诈交易），因此真负例的绝对数量可能很大，但真正有价值的性能指标是特异性而非TN的原始计数。

真负例在评估指标中的作用

准确率

准确率（Accuracy）是最直观的分类性能指标，定义为正确预测的样本占总样本的比例：

在类别不平衡（Class Imbalance）场景下——例如罕见病筛查中患病率仅为1\%——一个总是预测为负类的分类器也能达到99\%的准确率，因为TN占据了样本的绝大部分。此时准确率失去信息量，需要依赖精确率、召回率和F1分数等指标。

假正率与ROC曲线

假正率（False Positive Rate, FPR）是特异性（1 - Specificity）的互补指标：

在接收者操作特征曲线（ROC Curve）中，FPR为横轴，真正率（TPR）为纵轴。ROC曲线通过改变分类阈值遍历从(0,0)到(1,1)的空间，反映模型在不同判别严格程度下的性能折中。曲线下的面积（AUC）是模型排序能力的综合度量。

应用场景

医学诊断

在医学检验中，真负例对应健康受试者的阴性检测结果。以COVID-19核酸检测为例：真负例意味着受检者确实未感染且检测正确。高特异性（即高TN）是筛查的必要条件，因为假正例会导致不必要的隔离和恐慌。贝叶斯定理在此处发挥关键作用——即使特异性为99\%，如果疾病的先验概率很低，阳性预测值仍然可能很低，意味着阳性结果中假正例的比例不容忽视。

信息检索与垃圾邮件过滤

在垃圾邮件过滤任务中，正常邮件被标记为负类。一个真负例即正常邮件被正确归类。假正例（正常邮件被投入垃圾箱）对用户体验的伤害远大于假负例，因此过滤器设计通常以牺牲灵敏度来换取高特异性，即最大化TN。

信用评分与金融风控

在信用评分和反欺诈系统中，正常交易被定义为负类。低假正率（高TN）具有直接的经济意义：每一次假正例都可能引发客户投诉。风控模型通常采用成本敏感学习方法，对FP赋予更高的误分类代价，以引导模型产出更多的真负例。

小结

真负例（TN）是分类模型评估中不可或缺的组成部分，它与特异性、准确率、假正率和ROC曲线等核心概念紧密关联。在医学诊断、信息检索、金融风控等广泛应用中，理解和正确使用真负例是构建可靠分类系统的基础。然而，TN的绝对数值在类别不平衡和成本不对称的情况下具有误导性，需要结合具体问题的业务语境，通过特异性、精确率-召回率曲线和成本敏感评估等工具进行综合研判，才能对模型的真实性能做出客观判断。