真反例是什么？实际为负、也被判为负的样本

真反例（True Negative，TN），也叫真阴性，是指在二分类问题中，实际上属于负类、并且模型也正确地预测为负类的样本。它是混淆矩阵中的四种基本情况之一。比如一位健康的人在疾病检测中被正确地判为阴性，一封正常的邮件被正确地判为非垃圾邮件，一笔正常的交易被正确地判为没有风险，都是真反例。

它在混淆矩阵中的位置

二分类的结果有四种情况：真正例，实际为正、预测为正；假正例，实际为负、预测为正，即误报；假反例，实际为正、预测为负，即漏报；真反例，实际为负、预测为负。真正例和真反例是模型判对的两种情况，在混淆矩阵中位于对角线上；假正例和假反例是模型判错的两种情况。

以真反例为基础的指标

特异度，也叫真反例率：等于真反例除以真反例与假正例之和，即所有实际为负的样本中，有多少被正确地判为负。它衡量模型“不冤枉好人”的能力。在医学中，特异度与灵敏度是评价一种诊断方法最基本的两个指标：灵敏度高，说明能把病人找出来；特异度高，说明不会把健康的人误诊为病人。假正例率：等于假正例除以假正例与真反例之和，也就是 1 减去特异度。它是 ROC 曲线的横轴。准确率：等于真正例与真反例之和除以样本总数。阴性预测值：等于真反例除以真反例与假反例之和，即所有被判为负的样本中，有多少真的是负的。在医学中，它告诉一个检测结果为阴性的人，他有多大的把握确实没有患病。

类别不平衡时的“陷阱”

在很多实际问题中，负类的样本数量远远多于正类，比如欺诈交易只占千分之一，绝大多数交易都是正常的。这时，真反例的数量会非常巨大，它会让一些指标看起来非常好，但其实掩盖了问题。准确率：即使模型把所有的交易都判为正常，一笔欺诈也没有找出来，由于真反例极多，准确率仍然高达 99.9%。ROC 曲线：假正例率的分母中包含了大量的真反例，即使模型产生了成百上千次误报，假正例率仍然可能很低，ROC 曲线和 AUC 看起来仍然很漂亮。相比之下，查准率、查全率和 F1 分数的计算中都不包含真反例，它们只关注正类，因此在类别不平衡时，更能反映模型在我们真正关心的少数类上的表现。这也是在类别不平衡的问题中，人们更推荐使用精确率-召回率曲线而不是 ROC 曲线的原因。

真反例的实际意义

尽管在不平衡的数据中真反例可能会“稀释”指标，但它在很多场景中有着重要的实际意义：在疾病筛查中，大量健康的人被正确地排除，可以避免不必要的进一步检查、焦虑和医疗费用；在内容审核中，正常的内容被正确地放行，保证了用户的正常使用体验；在反欺诈中，正常的交易被顺利地通过，客户不会被无端地打扰。因此，在评价模型时，需要根据具体的业务目标，综合地考虑真正例、真反例以及两类错误各自的代价。