特异度计算 使用指南

输入真负与假正，计算特异度以衡量模型识别负类能力，与灵敏度互补，适用于医学筛查、二分类评估与诊断性能分析。

计算公式与原理

特异度 TNR = TN/(TN+FP)×100%；假阳性率 FPR = FP/(TN+FP)×100% = 1 − 特异度

特异度衡量负类被正确排除的能力，与召回率（灵敏度）构成 ROC 曲线的两个轴。筛查场景宁可牺牲特异度换取高召回，而 spam 误杀正常邮件的代价很高，应反过来优先保特异度。

使用步骤

1. 填写「TN」。
2. 填写「FP」。
3. 填写「样本总数」。
4. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• 特异度 Specificity=TN/(TN+FP)，衡量模型正确识别负类的能力。
• 与灵敏度(召回)互补：灵敏度看重病不漏，特异度看重健康不误判。
• 医学筛查常要求高特异度以降低假阳性带来的过度检查。

算例参考

• 筛查特异度：TN=900, FP=30 → 特异度=900/930=96.8%，即健康人被 correctly 判为健康的比例；若 FP 升到 100 则特异度降到 90%，假阳性增多。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

特异度和精确率有什么区别？

特异度=TN/(TN+FP) 站在负类视角；精确率=TP/(TP+FP) 站在预测为正视角。二者分母不同，关注点不同。

为什么筛查要重视特异度？

假阳性会引不必要的复查与焦虑、浪费资源；高特异度减少误报，但常与灵敏度权衡(卡阈值时此消彼长)。