特異度計算 - 特異度以衡量模型識別負類能力

← ToolBox / 特異度計算

📖 檢視「特異度計算使用指南」

🧮 Specificity Calculator

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

📐 計算公式 / 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。

TN

FP

樣本總數

📐 計算公式與說明

特異度 = TN/(TN+FP)

特異度衡量模型識別負類的能力。

📚 深度解析：特異度計算

💡 常見使用場景

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。

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。

❓ 常見問題（FAQ）

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)。