【什么是TP】TP（True Positive）是机器学习和统计学中一个重要的概念，常用于评估分类模型的性能。它指的是在实际为正类的样本中，被模型正确预测为正类的数量。简单来说，TP 表示模型“识别出正确阳性结果”的能力。
为了更清晰地理解 TP 的含义，我们可以结合其他相关指标一起分析，如 TN（True Negative）、FP（False Positive）和 FN（False Negative）。这些指标共同构成了混淆矩阵，帮助我们全面评估模型的表现。
一、TP 的定义
TP（True Positive）是指：
> 实际为正类（Positive），且模型预测也为正类的样本数量。
举个例子：假设我们有一个疾病检测模型，TP 就是那些真正患有疾病的人，并且被模型正确判断为患病的案例。
二、TP 在实际中的应用
TP 在多个领域都有重要应用，例如：
- 医疗诊断：准确识别出患病患者。
- 垃圾邮件过滤：正确识别出垃圾邮件。
- 金融风控：识别出高风险贷款申请。
- 图像识别：正确识别出目标物体。
在这些场景中，TP 越高，说明模型对正类的识别能力越强。
三、TP 与其他指标的关系
| 指标 | 含义 | 公式 |
| TP | 实际为正类，预测也为正类的样本数 | —— |
| FP | 实际为负类，但预测为正类的样本数 | —— |
| FN | 实际为正类，但预测为负类的样本数 | —— |
| TN | 实际为负类，预测也为负类的样本数 | —— |
基于这四个基本指标，可以计算出以下常用评价指标：
| 指标 | 含义 | 公式 |
| 精确率（Precision） | 预测为正类的样本中，实际为正类的比例 | TP / (TP + FP) |
| 召回率（Recall） | 实际为正类的样本中，预测为正类的比例 | TP / (TP + FN) |
| 准确率（Accuracy） | 所有样本中预测正确的比例 | (TP + TN) / (TP + TN + FP + FN) |
| F1 分数 | 精确率和召回率的调和平均值 | 2 × (Precision × Recall) / (Precision + Recall) |
四、总结
TP 是衡量分类模型性能的重要指标之一，它反映了模型识别真实正类的能力。在实际应用中，我们需要根据具体场景平衡 TP 与其他指标（如 FP、FN），以达到最佳的模型效果。
通过混淆矩阵和相关评价指标，我们可以更全面地了解模型的优劣，从而进行优化和调整。理解 TP 的意义，有助于我们在实践中做出更合理的决策。
