---
title: "真陰性（True Negative）"
slug: true-negative
language: zh-TW
source: https://aiterms.tw/terms/true-negative
updated_at: 2026-06-22
tags: [模型評估, 混淆矩陣, 分類評估, 機器學習基礎]
ipas_term: false
---

# 真陰性（True Negative）

分類模型正確預測為「負類」的樣本，模型預測與真實標籤皆為陰性。

## 完整說明

真陰性（True Negative，TN）是混淆矩陣中的基本類別之一，指模型預測為「陰性/負類」且真實標籤確實為「陰性」的樣本，用於計算特異性等評估指標，反映模型對陰性樣本的識別能力。

## 常見問題

### 特異性（Specificity）和精確率（Precision）有什麼不同？容易搞混的地方在哪裡？

兩者都涉及真陰性和假陽性，但分母不同，衡量的角度完全不同。特異性 = TN / (TN + FP)，分母是所有真實陰性樣本（不管模型怎麼預測），衡量「模型對真實陰性的識別能力」；精確率 = TP / (TP + FP)，分母是模型所有預測為陽性的樣本，衡量「模型說陽性時的可信度」。兩者共同的分子都是 TN 或 TP，但精確率不直接包含 TN。容易搞混是因為兩者都反映了「誤報的多寡」（假陽性 FP 出現在兩個公式的分母），但特異性從真實陰性群體的視角看，精確率從預測為陽性的群體視角看。

### 在不平衡資料集中，高 TN 數量是否意味著模型表現好？

不一定，反而可能是個警訊。在高度不平衡資料集（如詐欺率 0.1%），一個永遠預測「正常」的廢模型可以得到 99.9% 準確率和極高的 TN 數量，但它完全沒有偵測詐欺的能力。這稱為「準確率悖論」（Accuracy Paradox）。在這類場景中，應改用對正例識別能力更敏感的指標：精確率-召回率曲線（Precision-Recall Curve）、F1 Score、Matthews Correlation Coefficient（MCC）或 AUC-PR。高 TN 只在兩個條件同時成立時才有意義：1）模型也同時有不低的 TP 率；2）假陽性和假陰性的代價不極度不對稱。

### 在多標籤分類中，如何理解和使用真陰性的概念？

多標籤分類中每個樣本可同時屬於多個類別（如一篇文章同時有「科技」「環境」「政治」標籤），評估變得更複雜。對每個類別分別做一次 One-vs-Rest 的二元分類評估：對類別 A 來說，「被正確預測為不含 A 標籤的樣本」就是類別 A 的 TN。Macro-averaged Specificity 把每個類別的特異性取平均，適合希望每個類別被均等對待的場景；Micro-averaged Specificity 把所有類別的 TN 和 FP 加總後一起計算，適合希望高頻類別有更大影響力的場景。多標籤評估的複雜性也是 Hamming Loss、Jaccard Index 等指標存在的原因。

---

來源：https://aiterms.tw/terms/true-negative
快查頁：https://aiterms.tw/terms/true-negative
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-true-negative