真正例率是什么？正样本中被正确找出来的比例

真正例率（True Positive Rate，TPR）是评价二分类模型的一个指标，表示在所有实际为正例的样本中，被模型正确地判为正例的比例。它与召回率、查全率、灵敏度是同一个概念，只是在不同的领域中习惯使用不同的名称。

如何计算

在二分类问题中，模型的判断结果可以分为四种：真正例，实际是正例、判断也是正例；假反例，实际是正例、却被判为反例，也就是漏报；假正例，实际是反例、却被判为正例，也就是误报；真反例，实际是反例、判断也是反例。真正例率等于真正例的数量，除以真正例与假反例的数量之和，也就是除以所有实际为正例的样本数量。

举个例子：一种疾病筛查方法检测了 100 名真正的患者，其中 90 人被检测出阳性，10 人被漏掉了，那么它的真正例率就是 90%。真正例率越高，说明模型越能把正例找全，漏掉的越少。

不同领域的叫法

在医学中，它通常叫“灵敏度”，衡量一种检测方法能够发现多少真正的患者；在信息检索和机器学习中，常叫“召回率”或“查全率”，衡量所有相关的结果中有多少被找了出来；在讨论 ROC 曲线时，常叫“真正例率”。与它对应的是真反例率，也叫特异度，衡量所有实际为反例的样本中被正确判为反例的比例。

真正例率与假正例率

只追求真正例率是很容易的：如果把所有的样本都判为正例，就一个正例也不会漏掉，真正例率达到 100%，但这时所有的反例也都被误判了。因此，真正例率总是需要与另一个指标一起考虑。假正例率表示所有实际为反例的样本中，被错误地判为正例的比例，衡量误报的程度。大多数模型会给出一个分数，再与阈值比较得到判断：降低阈值，真正例率上升，但假正例率也随之上升；提高阈值则相反。以假正例率为横轴、真正例率为纵轴，画出不同阈值下的点，就得到了 ROC 曲线；曲线越靠近左上角，说明模型能在误报很少的情况下找出大部分的正例；曲线下的面积 AUC 是衡量模型整体区分能力的常用指标。真正例率还常常与查准率一起使用：查准率衡量判为正例的样本中有多少是真正例，两者组合成 P-R 曲线和 F1 分数。

什么时候特别看重它

在漏掉正例的代价很高的场景中，真正例率尤为重要：癌症等重大疾病的筛查，漏诊可能耽误治疗；金融反欺诈和网络安全，漏掉一次真正的攻击可能造成巨大的损失；产品的安全缺陷检测；在法律和合规审查中，需要尽量找全所有相关的文件。在这些场景中，通常会降低判定的阈值，宁可多一些误报，再通过人工复核或进一步的检查来排除，也要尽量保证高的真正例率。