特异度计算

← ToolBox / 特异度计算

📖 查看「特异度计算使用指南」

🧮 Specificity Calculator

Compute specificity from true negatives and false positives to measure how well a model recognises the negative class. Complements sensitivity.

📐 计算公式 / 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。

TN

FP

样本总数

📐 计算公式与说明

特异度 = TN/(TN+FP)

特异度衡量模型识别负类的能力。

📚 深度解析：特异度计算

💡 常见使用场景

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。

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。

❓ 常见问题（FAQ）

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)。