在使用Matlab进行机器学习任务时，多分类问题的性能评估离不开混淆矩阵（Confusion Matrix）。那么，什么是真正率（True Positive Rate, TPR）和假负率（False Negative Rate, FNR）呢？它们是衡量模型表现的重要指标。

首先，真正率（TPR）是指模型正确识别出正类样本的比例，计算公式为：TPR = TP / (TP + FN)，其中TP表示真实为正且被预测为正的样本数，FN为真实为正但被错误预测为负的样本数。简单来说，TPR越高，说明模型对正类样本的识别能力越强。

其次，假负率（FNR）则表示模型未能正确识别出正类样本的比例，公式为：FNR = FN / (TP + FN)。它与TPR互为互补关系，即FNR = 1 - TPR。较高的FNR意味着模型可能忽略了一些重要的正类样本，需要进一步优化。

通过分析混淆矩阵中的这些指标，我们可以更全面地了解模型的表现，并据此调整算法或参数。💪

🌟 提示：在实际应用中，结合其他指标如精确率（Precision）和召回率（Recall），可以更科学地评估模型性能！