混淆矩阵——灵敏度和特异性理解

版权声明：署名，允许他人基于本文进行创作，且必须基于与原先许可协议相同的许可协议分发本文 （Creative Commons）

混淆矩阵——灵敏性和特异性理解

定义

$灵敏度Sensitivity=\frac{TP}{TP+FN}$
$特异性Specificity=\frac{TN}{TN+FP}$

案例

假设一共有100，000名患者，其中患有恶性肿瘤的人数为200人，即患病率为0.2%，实际检测结果如下表：

	测试阳性	测试阴性	总计
实际阳性	160	40	200
实际阴性	29940	69860	99800
总计	30100	69900	1000000

根据以上数据：
$灵敏度Sensitivity=\frac{TP}{TP+FN}=\frac{160}{160+400}=80.0\%$
$特异性Specificity=\frac{TN}{TN+FP}=\frac{69860}{69860+29940}=70.0\%$

即：
灵敏度（又称召回率）表示实际检测出的患病人数占总患病人数的比例达到80%，即能检测出来的真实患者比例
特异性表示测试在不患病人群中，确定排除不患病的概率达到70%，将有30%的可能性会被测试为阳性，而实际上并不患病。即能检测出来真实不患病的比例。

更优的模型，可以使全体样本在四个象限内的分布比例更加优化，提升灵敏度和特异性，增加了正对角线上样本的占比，也就是改进了检测效果。

ROC曲线