特异度（specificity）与灵敏度（sensitivity）

前⾔

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。

生态环境大数据技术基础知识

轻纺城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：

清教主义从这个表格中可以引出⼀些其它的评价指标：

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

naieve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))

TPR：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)

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)

TNR：true negative rate，描述识别出的负例占所有负例的⽐例

计算公式为：TNR= TN / (FP + TN)

PPV：

计算公式为：PPV=TP / (TP + FP)

NPV：

计算公式：NPV=TN / (FN + TN)

其中TPR即为敏感度（sensitivity），TNR即为特异度（specificity）。22美女网

image.png

实例解释论文网站

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：

我们发现两个⼈中有重叠的部分，这个时候判定标准定的不同，得到的结果就会不同。

如果我们把标准定在最左边的虚线上，则低于这条线的为正常⼈，⾼于这条线的包含了两类⼈：正常⼈和糖尿病患者。这种时候就是灵敏度最⾼的时候，即实际有病⽽被诊断出患病的概率，没有放过⼀个患病的⼈。如果将标准定在最右边的虚线上，则是特异度最⾼的时候，即实际没病⽽被诊断为正常的概率，没有冤枉⼀个没病的⼈。

终上所述，敏感度⾼=漏诊率低，特异度⾼=误诊率低。

理想情况下我们希望敏感度和特异度都很⾼，然⽽实际上我们⼀般在敏感度和特异度中寻⼀个平衡点，这个过程可以⽤ROC(Receiver Operating Characteristic)曲线来表⽰：

即图中V34点，具有较⾼的灵敏度和特异度。

参考资料

注：⽂中的图⽚均来⾃参考资料。

本文发布于:2024-09-24 06:29:03，感谢您对本站的认可！

标签：糖尿病时候描述指标分类情况过程

留言与评论（共有 0 条评论）