真陽性（TP） 是什麼？
True Positive：真陽性（TP） 的完整解釋
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。
混淆矩陣的基礎概念
在二元分類問題中，模型的每個預測結果可以落入混淆矩陣（Confusion Matrix）四個格中的一個：
- 真陽性（True Positive，TP）：預測為正、實際為正 ✓
- 假陽性（False Positive，FP）：預測為正、實際為負（誤報）✗
- 真陰性（True Negative，TN）：預測為負、實際為負 ✓
- 假陰性（False Negative，FN）：預測為負、實際為正（漏報）✗
真陽性是模型「正確識別出正類」的次數，是衡量模型在正類上的偵測能力的核心數據。
TP 在評估指標中的角色
TP 是眾多重要評估指標的計算基礎：
精確率（Precision） 精確率 = TP / (TP + FP) 衡量模型預測為正類的樣本中，有多少真正是正類。高精確率代表「預測正的時候很少報錯」。
召回率（Recall）/ 真陽性率（True Positive Rate，TPR） 召回率 = TP / (TP + FN) 衡量所有實際正類樣本中，模型找到了多少。高召回率代表「幾乎不漏放任何正類樣本」。
F1 分數
F1 = 2 × Precision × Recall / (Precision + Recall) F1 是精確率與召回率的調和平均，在兩者之間取得平衡。
ROC 曲線
ROC 曲線的縱軸正是真陽性率（TPR = Recall），橫軸為假陽性率（FPR），因此 TP 也是 ROC/AUC 分析的基礎。
真陽性在不同領域的意義
醫療診斷：患者罹患疾病且被正確診斷為陽性。TP 關係到治療的及時性，過低的 TP（即高假陰性）可能導致病患延誤就醫。
垃圾郵件過濾：一封確實是垃圾郵件且被正確標記為垃圾郵件的案例。
詐欺偵測：一筆確實是詐欺交易且被模型正確標記為詐欺的案例。金融詐欺偵測特別關注提高 TP 數量（召回率），因為漏放詐欺（FN）的代價遠高於誤報（FP）。
入侵偵測：一次確實是攻擊行為且被資安系統正確識別的事件。
精確率與召回率的權衡
在實務中，提高 TP 的數量往往需要降低決策閾值（讓模型更傾向於預測正類），但這同時也會增加 FP 的數量，導致精確率下降。反之，提高閾值雖可提升精確率，但會遺漏更多真正的正類（增加 FN），降低召回率。這種精確率-召回率的內在張力，稱為 Precision-Recall Tradeoff。
不同應用場景對 TP 的重視程度不同：
- 醫療篩檢：寧可多報（接受高 FP），也不能漏報（要求高 TP / 高召回率）
- 法律判決或行動觸發：寧可少報（要求高精確率），也不能誤判
類別不平衡下的 TP 解讀
當資料集嚴重不平衡（如正類佔 1%，負類佔 99%）時，模型只要全預測為負類，整體準確率就能達到 99%，但 TP = 0。這種情況下，必須特別關注 TP 相關指標（精確率、召回率、F1），而非整體準確率。解決方案包括過採樣（SMOTE）、欠採樣、或調整類別權重（class_weight）。
多類別問題中的 TP
在多類別分類中，混淆矩陣擴展為 N×N 矩陣（N 為類別數）。每個類別都有自己的 TP（對角線元素），以及對應的 FP 和 FN。評估多類別模型時，通常使用 Macro-averaged F1（各類別 F1 的算術平均）或 Weighted F1（按類別樣本數加權平均）等彙總指標。
提升 TP 的常見策略
當模型的真陽性數量不足（即召回率偏低）時，可考慮以下改善方式：
- 降低決策閾值：最直接的方式，讓模型更傾向於輸出正類預測，以換取更高的召回率（但精確率會下降）。
- 資料增強：若正類樣本稀少，可使用 SMOTE 等技術對正類進行過採樣，讓模型學習到更多正類的特徵分佈。
- 代價敏感學習（Cost-Sensitive Learning）：在損失函數中加大正類樣本的誤分類代價，迫使模型更注重識別正類。
- 特徵工程：引入更能區分正負類的特徵，或使用正類相關的領域知識設計更有效的輸入特徵。
- 集成方法：如隨機森林或 Gradient Boosting，通常能在正負類不平衡情境下比單一模型取得更穩健的 TP 表現。
選擇策略前，應先診斷 TP 不足的根本原因：是模型能力不足、特徵辨別力弱、還是資料不平衡所致。對症下藥才能有效提升真陽性率。