---
title: "真陽性（TP）（True Positive）"
slug: true-positive
language: zh-TW
source: https://aiterms.tw/terms/true-positive
updated_at: 2026-06-22
tags: [混淆矩陣, 分類評估, 召回率, 精確率, F1 分數, 模型評估]
ipas_term: false
---

# 真陽性（TP）（True Positive）

分類模型將實際為正例的樣本正確預測為正例的情況，是混淆矩陣四格中最理想的預測結果之一。

## 完整說明

真陽性（True Positive，TP）是混淆矩陣中的一個格，表示模型預測為「正類」而實際標籤也確實為「正類」的樣本數量。TP 是計算精確率（Precision）、召回率（Recall）、F1 分數等核心評估指標的基礎，直接反映模型在正類識別上的成功次數。

## 常見問題

### 真陽性率（TPR）和召回率（Recall）是同一件事嗎？

是的，在二元分類中，真陽性率（True Positive Rate，TPR）與召回率（Recall）是完全相同的指標，公式均為 TP / (TP + FN)，衡量所有實際正類中有多少被模型正確識別出來。TPR 這個名稱較常出現在 ROC 曲線的討論中，Recall 則較常出現在精確率-召回率的分析脈絡下，本質上兩者完全等價。

### 模型的 TP 很高，是否代表模型表現很好？

TP 的絕對數量本身不足以評判模型優劣，必須結合 FP 和 FN 一起看。例如，若模型將所有樣本都預測為正類，TP 會等於所有正類樣本數，看起來很高，但同時 FP 也等於所有負類樣本數，精確率非常低。因此應同時關注精確率（TP / (TP + FP)）和召回率（TP / (TP + FN)），或使用 F1 分數作為綜合指標，才能完整評估模型的辨別能力。

### 在醫療 AI 中，為什麼真陽性特別重要？

在醫療篩檢場景（如癌症篩查、傳染病偵測），真陽性率（召回率）往往是最重要的指標。假陰性（FN）代表「有病但被判斷為正常」，患者可能因此延誤治療；而假陽性（FP）代表「沒病卻被判斷為陽性」，通常只需要進一步複查確認。兩者代價差異懸殊，因此醫療篩檢模型的設計往往優先追求高召回率（高 TP），即使這樣會犧牲一些精確率，以確保不遺漏真正的病患。

---

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