敏感性与特异性的关系

敏感性与特异性的关系

敏感性（具有该特性的对象被预知的可能性大小）=真阳性率=a/a+c；

特异性（对象所具有的特殊属性的程度）=真阴性率=d/b+d；

漏诊率=1-敏感性=c/a+c；

误诊率=1-特异性=b/b+d

敏感性与特异性的关系：

1.高敏感性→上述a增大→L线下移，无限接近X轴但是无法达到（存在的必然性）→c、d越来越小，b越来越大，即低漏诊率，高误诊率和低真阴性率（低特异性）。

2.高特异性→上述d增大→L线上移，无限接近+∞但是无法达到（存在的必然性）→a、b越来越小，c越来越大，即高漏诊率，低误诊率和低真阳性率（低敏感性）。

由此可见，高敏感性与高特异性不可兼得：高敏感性则低特异性，高特异性则低敏感性。

可采用敏感性高与特异性高的不同方法相结合。

英文名词：

TP —— True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率

TN —— True Negative（真负 , TN）被模型预测为负的负样本；可以称作判断为假的正确率

FP ——False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率

FN——False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率

True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）

TPR = TP /（TP + FN）

正样本预测结果数 / 正样本实际数

True Negative Rate（真负率 , TNR）或特异度（specificity）

TNR = TN /（TN + FP）

负样本预测结果数 / 负样本实际数

False Positive Rate （假正率, FPR）

FPR = FP /（FP + TN）

被预测为正的负样本结果数 / 负样本实际数

False Negative Rate（假负率 , FNR）

FNR = FN /（TP + FN）

被预测为负的正样本结果数 / 正样本实际数