1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

TPR排序，全称为"True Positive Rate"排序，是一种在数据科学和机器学习领域常用的性能评估方式，尤其在处理分类任务时。"True Positive Rate"（真正例率），也被称为敏感度（Sensitivity）或召回率（Recall），是用于衡量模型正确识别正类的能力。

在分类任务中，将数据集分为正类（我们感充趣的类）和负类。对于一个给定的分类模型：
- 真正例（True Positive, TP）的数量是模型正确预测为正类的样本数量。
- 假正例（False Positive, FP）的数量是模型错误预测为正类的样本数量（实际上是负类）。
- 真负例（True Negative, TN）的数量是模型正确预测为负类的样本数量。
- 假负例（False Negative, FN）的数量是模型错误预测为负类的样本数量（实际上是正类）。

True Positive Rate（TPR）的计算方法如下：

\[ TPR = \frac{TP}{TP + FN} \]

这个比例反映了所有实际正类样本中，被模型正确识别出来的比例。TPR越高，表示模型对正类的识别能力越强。

TPR排序实际上是根据不同配置、阈值或模型下的TPR值来进行排序，从而评估和选择最优的模型或设置。在某些应用场景，如疾病筛查或欺诈检测中，高TPR尤为重要，因为我们希望尽可能多地识别出所有可能的正类（如病例或欺诈行为），即使这意味着会有更多的假正例（FP）。

综上，TPR排序是一种以模型或方法的真正例率作为标准进行比较和排序的方法，广泛应用于模型选择和性能比较中。