敏感性与特异性的关系.docVIP

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