机器学习中的特异性和敏感性

一句话总结：

敏感性高=漏诊率低

特异性低=误诊率高

参考链接：https://www.zhihu.com/question/30750849/answer/49302571

注意：正例实际上是指我们所关注的类别，如癌症判断中，我们关注的是患病，所以患有癌症为正例，也叫阳性；未患病为负例，也叫阴性。

TP:真正例，也叫真阳性。被正确诊断为患病的病人

FN:假负例，也叫假阴性。被错误诊断为健康的病人

FP:假正例，也叫假阳性。被错误诊断为患病的健康人（也就是误诊）

TN:真负例，也叫真阴性。被正确诊断为健康的健康人

其中：

查全率=召唤率=$Recall=\frac{TP}{TP+FN}$

查准率=$Precision=\frac{TP}{TP+FP}$

敏感性 = $\frac{TP}{TP+FN}$=查全率（查全率高，即漏诊率低）

特异性 = $\frac{TN}{TN+FP}$=1-$\frac{FP}{TN+FP}$=1-FP rate(FP rate表示负例中标错的概率，ROC曲线的横轴)

• 查全率应该是表示实际患有癌症的人中有多少被诊断出来了
• 查准率应该是表示被诊断为癌症中有多少实际患有癌症
• 特异性低，则FP rate高，即负例中标错的概率高，即阴性被误诊为阳性的概率高，即误诊率高
  
  
  例题：ROC (受试者工作特征曲线, receiver operating characteristic curve)描绘了分类器在 fp rate (错误的正例,横轴) 和tp rate(真正正例，纵轴) 间的trade-off（权衡）。
  答案： (纵轴)敏感性高=漏诊率低， 而(横轴)特异性低=误诊率高