搜尋意圖： 如果你在找「真陰性 是什麼」或「真陰性 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
真陰性（True Negative，TN）是混淆矩陣（Confusion Matrix）四個基本類別之一，在分類問題的效能分析中扮演重要角色。混淆矩陣通常以二元分類問題為基礎建立，將預測結果與真實標籤的組合分為四格：TP（真陽性）、FP（假陽性）、FN（假陰性）、TN（真陰性）。
TN 的定義與範例
真陰性是指模型預測為「陰性（負類）」且真實標籤也確實為「陰性」的樣本。以癌症篩檢為例：對於真正健康（無癌症）的患者，若模型正確預測其為「無癌症」，這個患者就是 TN。另一個常見例子是垃圾郵件過濾：正常郵件被正確識別為「非垃圾」= TN；正常郵件被誤識為「垃圾」= FP（假陽性）。
TN 參與計算的衍生指標
真陰性的數量本身只是分子/分母的一部分，真正有診斷意義的是以下衍生指標：
特異性（Specificity，= TNR，True Negative Rate）= TN / (TN + FP) 描述：在所有真實陰性樣本中，模型正確識別為陰性的比例。 衡量的是：「模型對陰性樣本的識別能力有多強」。 高特異性意味著假陽性率低，即很少把真正陰性的樣本誤報為陽性。
假陽性率（FPR，False Positive Rate）= FP / (FP + TN) = 1 - Specificity ROC 曲線的 x 軸就是 FPR，y 軸是 TPR（= 召回率），通過不同決策閾值繪製出整條曲線。
負預測值（NPV，Negative Predictive Value）= TN / (TN + FN) 描述：在模型所有預測為陰性的樣本中，真正為陰性的比例。 衡量的是：「模型說『這是陰性』這句話有多可信」。
特異性 vs 敏感性（召回率）的取捨 提高特異性通常意味著降低敏感性（召回率/TPR），兩者存在根本性的取捨關係（在固定模型能力的情況下，調高決策閾值 → 更多樣本被預測為陰性 → TN 增加、FP 減少 → Specificity 提高；但 TP 也可能減少、FN 增加 → Recall 下降）。
不同應用場景對兩者的優先順序不同：
- 癌症初篩：優先高敏感性（寧可多篩出假陽性，也不能漏掉真陽性），可以接受較低特異性
- 資安告警：優先適當高特異性（誤報太多會導致分析師疲憊，忽視真正威脅）
- 法院認罪：高特異性（不能錯誤定罪無辜者）優先於高敏感性
類別不平衡時 TN 的陷阱
當資料集高度不平衡時（如詐欺偵測中 99.9% 是正常交易），一個什麼都不做、永遠預測「正常」的模型，其 TN 數量極高，準確率高達 99.9%，但對詐欺偵測完全無用。此時 TN 的絕對數量是一個誤導性指標，應改用精確率、召回率、F1 或 AUC-PR（Precision-Recall AUC）評估真實模型能力。這個問題稱為「準確率悖論」（Accuracy Paradox）。
TN 在 ROC 曲線分析中的作用 ROC 曲線的 X 軸是假陽性率（FPR = FP/(FP+TN) = 1 - Specificity），Y 軸是真陽性率（TPR = Recall）。調整決策閾值時，高 TN（低 FPR）使 ROC 曲線上的操作點向左移動，AUC-ROC 的計算本質上整合了所有閾值下的 TPR-FPR 取捨，是衡量模型整體區分能力的綜合指標，而 TN 的品質直接決定了 ROC 曲線在低 FPR 區間的表現。
TN 在混淆矩陣視覺化中的解讀 混淆矩陣熱力圖中，右下角（TN 格）顏色越深代表模型對陰性類別的識別越準確。在多分類問題的混淆矩陣中，對角線上的每個元素都相當於該類別的「真陽性」，而非對角線中偏對角右下的元素可視為從某個類別視角的 TN。透過混淆矩陣的行歸一化（每行加總為 1），可以直接讀出每個類別的召回率，對角線外的值則顯示最常見的誤判模式，這對不同錯誤代價不對稱的業務場景（如信用風險分類）特別重要。
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。