前言

在論文閱讀的過(guò)程中，經(jīng)常遇到使用特異性（specificity）和靈敏度（sensitivity）這兩個(gè)指標(biāo)來(lái)描述分類(lèi)器的性能。對(duì)這兩個(gè)指標(biāo)表示的含有一些模糊，這里查閱了相關(guān)資料后記錄一下。

基礎(chǔ)知識(shí)

考慮一個(gè)二分類(lèi)的情況，類(lèi)別為1和0，我們將1和0分別作為正類(lèi)（positive）和負(fù)類(lèi)（negative），則實(shí)際分類(lèi)的結(jié)果有4種，表格如下：

從這個(gè)表格中可以引出一些其它的評(píng)價(jià)指標(biāo)：
- ACC：classification accuracy，描述分類(lèi)器的分類(lèi)準(zhǔn)確率
計(jì)算公式為：ACC=(TP+TN)/(TP+FP+FN+TN)
- BER：balanced error rate
計(jì)算公式為：BER=1/2*(FPR+FN/(FN+TP))
- TPR：true positive rate，描述識(shí)別出的所有正例占所有正例的比例
計(jì)算公式為：TPR=TP/ (TP+ FN)
- FPR：false positive rate，描述將負(fù)例識(shí)別為正例的情況占所有負(fù)例的比例
計(jì)算公式為：FPR= FP / (FP + TN)
- TNR：true negative rate，描述識(shí)別出的負(fù)例占所有負(fù)例的比例
計(jì)算公式為：TNR= TN / (FP + TN)
- PPV：Positive predictive value
計(jì)算公式為：PPV=TP / (TP + FP)
- NPV：Negative predictive value
計(jì)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：

實(shí)例解釋

下面以醫(yī)學(xué)中糖尿病人的篩查為例對(duì)敏感度和特異度進(jìn)行解釋。在這個(gè)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(biāo)。下圖為正常人和糖尿病患者血糖水平的統(tǒng)計(jì)圖：

我們發(fā)現(xiàn)兩個(gè)人群中有重疊的部分，這個(gè)時(shí)候判定標(biāo)準(zhǔn)定的不同，得到的結(jié)果就會(huì)不同。
如果我們把標(biāo)準(zhǔn)定在最左邊的虛線(xiàn)上，則低于這條線(xiàn)的為正常人，高于這條線(xiàn)的包含了兩類(lèi)人：正常人和糖尿病患者。這種時(shí)候就是靈敏度最高的時(shí)候，即實(shí)際有病而被診斷出患病的概率，沒(méi)有放過(guò)一個(gè)患病的人。如果將標(biāo)準(zhǔn)定在最右邊的虛線(xiàn)上，則是特異度最高的時(shí)候，即實(shí)際沒(méi)病而被診斷為正常的概率，沒(méi)有冤枉一個(gè)沒(méi)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(shí)際上我們一般在敏感度和特異度中尋找一個(gè)平衡點(diǎn)，這個(gè)過(guò)程可以用ROC(Receiver Operating Characteristic)曲線(xiàn)來(lái)表示：

即圖中V34點(diǎn)，具有較高的靈敏度和特異度。

參考資料

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