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。

📐 计算公式与说明

特异度判读（与上式互补，负类专用指标）：特异度 TNR=TN÷(TN+FP)×100%，衡量负类被正确排除的能力；假阳性率 FPR=FP÷(TN+FP)×100%=1−特异度，两者互补；页面另给负类占比=(TN+FP)÷样本总数×100%。校验：无强校验，空值按 0 兜底；结果非有限时提示「部分结果无定义（分母为 0 或输入为空）」。判据：无固定分级，特异度越高负类误报越少，分母 TN+FP=0 时无定义。

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

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)。

Formula & Standard References

Item Formula / Note Source / Standard
Specificity formula specificity is true negatives over true negatives plus false positives ISO/IEC 22989:2022 AI concepts
Complement of sensitivity specificity and sensitivity describe negative and positive class detection and are reported together Altman & Bland 1994, BMJ
Screening meaning low specificity means many false positives which inflate re-test burden in screening STARD 2015 reporting guideline

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助… 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Rid… 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无… 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU 🤖 Sigmoid 输出S Sigmoid 输出

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助神 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Ridg 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无关 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU