真阳性率是什么？阳性样本中被正确找出来的比例

真阳性率（True Positive Rate，TPR）是统计学、机器学习和医学诊断中评估二元分类模型性能的指标。它表示：在所有实际为阳性的样本中，有多少比例被模型正确地识别为阳性。它也被称为灵敏度（Sensitivity）、召回率（Recall）或命中率（Hit Rate），不同领域习惯使用不同的叫法。

怎么计算

二元分类的结果可以分成四种情况：真阳性（TP），实际是阳性，模型也判为阳性，判对了；假阴性（FN），实际是阳性，模型却判为阴性，漏掉了；假阳性（FP），实际是阴性，模型却判为阳性，误报了；真阴性（TN），实际是阴性，模型也判为阴性，判对了。真阳性率的计算公式是：真阳性数除以（真阳性数加假阴性数），也就是“找出来的阳性”占“所有真正阳性”的比例。

举个例子：一种疾病的筛查测试，在 100 名真正患病的人中，正确地检测出了 90 人，漏掉了 10 人，那么真阳性率就是 90%。它衡量的是“该找到的有没有找全”。

为什么重要

在很多应用中，漏掉阳性的代价非常大，这时真阳性率就格外重要。医学筛查：漏诊一个癌症患者，可能会延误治疗、危及生命，所以筛查测试通常追求很高的灵敏度，宁可多查出一些需要进一步确认的可疑病例。安全检测：在机场安检、网络入侵检测、金融反欺诈中，漏掉一个真正的威胁可能造成严重的后果。缺陷检测：工业质检中漏掉一个有缺陷的产品，可能导致产品召回。

要和其他指标一起看

单看真阳性率是不够的，因为一个模型只要把所有样本都判为阳性，真阳性率就能达到 100%，但它会产生大量的误报，毫无用处。所以真阳性率通常要和其他指标一起考虑。假阳性率（FPR）：所有实际为阴性的样本中，被误判为阳性的比例，衡量误报的程度。以假阳性率为横轴、真阳性率为纵轴，在不同的判定阈值下画出的曲线，就是著名的 ROC 曲线，曲线下的面积（AUC）是衡量分类模型整体性能的常用指标。精确率（Precision）：模型判为阳性的样本中，真正是阳性的比例。真阳性率（召回率）和精确率往往相互制约，两者的调和平均就是 F1 分数。在不同的应用中，需要根据漏报和误报各自的代价，在这些指标之间做出权衡。