真正例是什么？实际为正、也被判为正的样本

真正例（True Positive，TP），也叫真阳性，是指在二分类问题中，实际上属于正类、并且模型也正确地预测为正类的样本。它是混淆矩阵中的四种基本情况之一，也是计算很多评价指标的基础。

二分类结果的四种情况

在二分类问题中，通常把我们关心或要检测的那一类叫作正类，比如“患病”“是垃圾邮件”“是欺诈交易”，另一类叫作反类或负类。把样本的真实类别与模型的预测结果组合起来，有四种情况。真正例：实际为正，预测也为正，判对了。比如一位真正的患者被检测为阳性。假正例，也叫假阳性：实际为反，却被预测为正，这是误报。比如一位健康的人被误检为阳性。假反例，也叫假阴性：实际为正，却被预测为反，这是漏报。比如一位真正的患者被漏检。真反例，也叫真阴性：实际为反，预测也为反，判对了。比如一位健康的人被检测为阴性。名称中的“真”和“假”表示预测是否正确，“正”和“反”表示预测的结果。把这四种情况的数量排成一个二行二列的表格，就是混淆矩阵。

以真正例为核心的指标

很多常用的评价指标都以真正例的数量作为分子。查准率，也叫精确率：真正例除以真正例与假正例之和，即所有被判为正例的样本中，有多少是真正的正例，衡量预测的准确程度。查全率，也叫召回率或真正例率：真正例除以真正例与假反例之和，即所有真正的正例中，有多少被找了出来，衡量找得全不全。F1 分数：查准率与查全率的调和平均。准确率：真正例与真反例之和除以样本总数，衡量所有判断中正确的比例。

一个例子

假设一个垃圾邮件过滤器处理了 1000 封邮件，其中实际有 100 封是垃圾邮件。过滤器把 95 封邮件标记为垃圾邮件，其中 80 封确实是垃圾邮件，另外 15 封是被误判的正常邮件。那么：真正例是 80，假正例是 15，假反例是 100 减 80 等于 20，真反例是 900 减 15 等于 885。由此可以算出：查准率是 80 除以 95，约为 84%；查全率是 80 除以 100，即 80%。

在其他任务中的真正例

在目标检测中，判断一个预测框是否为真正例，需要看它与某个真实物体框的交并比是否超过设定的阈值，比如 0.5，并且类别正确；同一个真实物体只能匹配一个预测框，多余的重复框被计为假正例。在信息检索中，真正例就是被检索出来、并且确实相关的文档。在多分类问题中，可以把每一个类别分别看作正类、其他所有类别看作反类，分别统计每个类别的真正例数量，再计算各个类别的指标并进行平均。

需要注意的是，正类和反类的划分是人为指定的，通常把少数的、关心的那一类作为正类。如果交换了正类和反类，真正例和真反例的含义也会随之互换，查准率和查全率等指标的数值也会改变，因此在报告结果时应当说明正类指的是什么。