正例 (TP)

正例（Positive Example）是机器学习监督学习范式中的基础数据单元，特指那些被标注为具有特定类别或属性的真实样本。与负例（Negative Example）相对，正例构成了模型学习‘正确’映射关系的知识边界。在二分类任务中，正例通常对应标签为1或True的数据；在多分类任务中，则代表目标类别的实例。其核心价值在于通过提供高置信度的训练信号，引导模型参数向收敛于真实分布的方向演化，是算法从数据中归纳规律的根本依据。

在现代计算架构与AI工程实践中，正例不仅是数据预处理的关键对象，更是模型评估与调优的基准参照。其生态地位体现在数据采集中需严格保证‘正例纯度’，即剔除噪声与误标样本，以防止模型过拟合或产生偏差。在深度学习框架中，正例的分布特性（如类别不平衡）直接决定了损失函数的选择与采样策略。从工业界落地看，构建高质量的正例数据集是模型性能的上限瓶颈，其质量直接决定了系统的准确率、召回率及泛化能力，是连接原始数据与智能决策的核心枢纽。