specificity(特异度)

编程之家2024-02-08129次浏览

计算公式为：TNR= TN/(FP+ TN)。

TNR即为特异度（specificity）。true negative rate，描述识别出的负例占所有负例的比例。

TPR：TPR即为敏感度（sensitivity），true positive rate，描述识别出的所有正例占所有正例的比例。

计算公式为：TPR=TP/(TP+ FN)。

其它的评价指标：

ACC：classification accuracy，描述分类器的分类准确率。

计算公式为：ACC=(TP+TN)/(TP+FP+FN+TN)。

BER：balanced error rate。

计算公式为：BER=1/2*(FPR+FN/(FN+TP))。

FPR：false positive rate，描述将负例识别为正例的情况占所有负例的比例。

计算公式为：FPR= FP/(FP+ TN)。

灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%。正确判断病人的率。

特异度=真阴性人数/（真阴性人数+假阳性人数））*100%。正确判断非病人的率。

超声诊断＋－合计

＋ A B

－ C D

灵敏度＝A/(A+C)*100%

特异度＝D/(B+D)*100%

扩展资料

灵敏度（Sensitivity）是指某方法对单位浓度或单位量待测物质变化所致的响应量变化程度，它可以用仪器的响应量或其他指示量与对应的待测物质的浓度或量之比来描述。

灵敏度指示器的相对于被测量变化的位移率，灵敏度是衡量物理仪器的一个标志，特别是电学仪器注重仪器灵敏度的提高。通过灵敏度的研究可加深对仪表的构造和原理的理解。

特异度(specificity，SPE)，又称真阴性率(true negative rate，TNR),即它反映筛检试验确定非病人的能力。

参考资料：百度百科特异度

在论文阅读的过程中，经常遇到使用特异性（specificity）和灵敏度（sensitivity）这两个指标来描述分类器的性能。对这两个指标表示的含有一些模糊，这里查阅了相关资料后记录一下。

考虑一个二分类的情况，类别为1和0，我们将1和0分别作为正类（positive）和负类（negative），则实际分类的结果有4种，表格如下：

从这个表格中可以引出一些其它的评价指标：

下面以医学中糖尿病人的筛查为例对敏感度和特异度进行解释。在这个例子中，我们只将病人血糖水平作为判断是否患有糖尿病的指标。下图为正常人和糖尿病患者血糖水平的统计图：

即图中V34点，具有较高的灵敏度和特异度。

哪个大神能解释一下敏感性和特异性？学了好几年了一直不是很清楚-知乎

ROC曲线-百度百科

Positive and negative predictive values