前言

參考網址：https://www.jianshu.com/p/7919ef304b19

在論文閱讀的過程中，經常遇到使用特異性（specificity）和靈敏度（sensitivity）這兩個指標來描述分類器的效能。對這兩個指標表示的含有一些模糊，這裡查閱了相關資料後記錄一下。

基礎知識

考慮一個二分類的情況，類別為1和0，我們將1和0分別作為正類（positive）和負類（negative），則實際分類的結果有4種，表格如下：

從這個表格中可以引出一些其它的評價指標：

• ACC：classification accuracy，描述分類器的分類準確率
  計算公式為：ACC=(TP+TN)/(TP+FP+FN+TN)
• BER：balanced error rate
  計算公式為：BER=1/2*(FPR+FN/(FN+TP))
• TPR：true positive rate，描述識別出的所有正例佔所有正例的比例
  計算公式為：TPR=TP/ (TP+ FN)
• FPR：false positive rate，描述將負例識別為正例的情況佔所有負例的比例
  計算公式為：FPR= FP / (FP + TN)
• TNR：true negative rate，描述識別出的負例佔所有負例的比例
  計算公式為：TNR= TN / (FP + TN)
• PPV：Positive predictive value
  計算公式為：PPV=TP / (TP + FP)
• NPV：Negative predictive value
  計算公式：NPV=TN / (FN + TN)
  其中TPR即為敏感度（sensitivity），TNR即為特異度（specificity）。

維基百科的附圖：

例項解釋

下面以醫學中糖尿病人的篩查為例對敏感度和特異度進行解釋。在這個例子中，我們只將病人血糖水平作為判斷是否患有糖尿病的指標。下圖為正常人和糖尿病患者血糖水平的統計圖：

我們發現兩個人群中有重疊的部分，這個時候判定標準定的不同，得到的結果就會不同。

如果我們把標準定在最左邊的虛線上，則低於這條線的為正常人，高於這條線的包含了兩類人：正常人和糖尿病患者。這種時候就是靈敏度最高的時候，即實際有病而被診斷出患病的概率，沒有放過一個患病的人。如果將標準定在最右邊的虛線上，則是特異度最高的時候，即實際沒病而被診斷為正常的概率，沒有冤枉一個沒病的人。
終上所述，敏感度高=漏診率低，特異度高=誤診率低。
理想情況下我們希望敏感度和特異度都很高，然而實際上我們一般在敏感度和特異度中尋找一個平衡點，這個過程可以用ROC(Receiver Operating Characteristic)曲線來表示：

即圖中V34點，具有較高的靈敏度和特異度。

參考資料

哪個大神能解釋一下敏感性和特異性？學了好幾年了一直不是很清楚-知乎
ROC曲線-百度百科
Positive and negative predictive values

注：文中的圖片均來自參考資料。

本文來自部落格園，作者：程式設計coding小白，轉載請註明原文連結：https://www.cnblogs.com/zhenhua1203/p/15568372.html