特異度計算 使用指南

輸入真負與假正，計算特異度以衡量模型識別負類能力，與靈敏度互補，適用於醫學篩查、二分類評估與診斷效能分析。

計算公式與原理

特異度 TNR = TN/(TN+FP)×100%；假陽性率 FPR = FP/(TN+FP)×100% = 1 − 特異度

特異度衡量負類被正確排除的能力，與召回率（靈敏度）構成 ROC 曲線的兩個軸。篩查場景寧可犧牲特異度換取高召回，而 spam 誤殺正常郵件的代價很高，應反過來優先保特異度。

使用步驟

1. 填寫「TN」。
2. 填寫「FP」。
3. 填寫「樣本總數」。
4. 結果區會即時更新；可一鍵複製結果用於記錄或彙報。

典型使用場景

• 特異度 Specificity=TN/(TN+FP)，衡量模型正確識別負類的能力。
• 與靈敏度(召回)互補：靈敏度看重病不漏，特異度看重健康不誤判。
• 醫學篩查常要求高特異度以降低假陽性帶來的過度檢查。

算例參考

• 篩查特異度：TN=900, FP=30 → 特異度=900/930=96.8%，即健康人被 correctly 判為健康的比例；若 FP 升到 100 則特異度降到 90%，假陽性增多。

注意事項

結果為按上述公式得到的理論估算值，實際表現受資料分佈、實現細節與執行環境影響，落地決策請以實測為準；本工具純前端執行，輸入不上傳伺服器。

特異度和精確率有什麼區別？

特異度=TN/(TN+FP) 站在負類視角；精確率=TP/(TP+FP) 站在預測為正視角。二者分母不同，關注點不同。

為什麼篩查要重視特異度？

假陽性會引不必要的複查與焦慮、浪費資源；高特異度減少誤報，但常與靈敏度權衡(卡閾值時此消彼長)。