TP、FP、FN、TN 详解

一、前言

在图像检测、文本分类、异常识别、AI 风控等二分类任务中，TP、FP、FN、TN 是评估模型好坏最基础、最核心的四个指标。看懂这四个值，就能算出准确率、精确率、召回率、F1 分数，快速判断模型漏检、误判问题。

二、基础定义（二分类判定规则）

设定两类：

• 正样本 P：目标物体、异常、合格、阳性
• 负样本 N：背景、正常、不合格、阴性

模型只有两种预测结果：预测为正、预测为负，两两组合得到四种结果：

符号	全称	中文名称	实际情况	模型预测	通俗理解
TP	True Positive	真正例	正样本	预测正	猜对目标
FP	False Positive	假正例	负样本	预测正	误判认错
FN	False Negative	假负例	正样本	预测负	漏检漏掉
TN	True Negative	真负例	负样本	预测负	猜对背景

预测正(P) 预测负(N)
实际正(P) TP✅ FN❌
实际负(N) FP❌ TN✅

三、四大核心评估指标计算公式

总样本数：\(Total = TP+FP+FN+TN\)

1. 准确率 Accuracy整体判断正确的比例\(Accuracy=\frac{TP+TN}{TP+FP+FN+TN}\)

2. 精确率 Precision 模型判定为正样本里，真正正确的比例，防误判\(Precision=\frac{TP}{TP+FP}\)

3. 召回率 Recall 所有真实正样本中，被成功检出的比例，防漏检\(Recall=\frac{TP}{TP+FN}\)

4. F1-Score精确率和召回率调和平均，综合衡量模型整体性能\(F1=\frac{2\times Precision\times Recall}{Precision+Recall}\)

四、F1-Score

F1分数：精确率与召回率的调和

当我们需要一个综合指标来平衡精确率和召回率时，F1分数就派上用场了。它综合反映了模型的稳健性。

定义：精确率和召回率的调和平均数，更强调二者的均衡性。

特点：取值范围 [0,1]，越接近1越好。它对P/R中的较低值非常敏感，仅当两者都较高时，F1分数才会高。适合样本不均衡或需兼顾质量与数量的场景。