理解Sensitivity和Specificity

Sina Weibo：小锋子Shawn

Tencent E-mail：403568338@qq.com
http://blog.csdn.net/dgyuanshaofeng/article/details/78686117
    Wikipedia给出了详细的说明Sensitivity and specificity。

    Sensitivity，我们常说“敏感性”、“灵敏性”、“召回率”或者“查全率”，维基百科的说明为“Sensitivity (also calledthe true positive rate, the recall, or probability of detection
in some fields) measures the proportion of positives that are correctly identified as such (e.g. the percentage of sick people who are correctly identified as having the condition).”。计算公式如(1)式：

Sensitivity/TPR = TP / (TP + FN)                                                                        (1)
其中，TP为将正类预测为正类数，FN为将正类预测为负类数。TPR为True positive rate。Sensitivity的值越大，说明“有病的被判断为有病的”越大，“漏检”(FN)越小。
    Specificity，我们常说“特异性”，维基百科的说明为“Specificity (also calledthe true negative rate)
measures the proportion of negatives that are correctly identified as such (e.g. the percentage of healthy people who are correctly identified as not having the condition).”。仿照公式(1)，其计算公式如(2)式：
Specificity/TNR = TN / (TN + FP)                                                                       (2)
其中，TN为将负类预测为负类数，FP为将负类预测为正类数。TNR为True negative rate。Specificity的值越大，说明“健康的被判断为健康的”的越大，“误检”(FP)越小。
    与这两个评价指标相关的其他指标，还有精确率(precision)，也叫“查准率”，或者“PPV(positive predictive value)”，其计算如(3)式：
PPV = TP / (TP + FP)                                                                        (3)
其中，TP和FP的定义像上面所述。与之对应的就是“FPR(negative predictive value)”，其计算如(4)式：
FPV = TN / (TN + FN)                                                                      (4)
    我们使用机器学习算法，特别是深度学习算法进行分类任务时，通常使用“分类准确率(accuracy)”，其计算如(5)式：
ACC = (TP + TN) / (TP + FP + FN + TN)                                          (5)
    另外，为了折中精确率precision和敏感性sensitivity，可以使用F1 score/F1值，其计算如(6)式：
F1 = 2TP / (2TP + FP + FN)                                                           (6)