特异性低=误诊率高 敏感性高=漏诊率低
prediction position=TP+FP
正确率(precision) PPV= TP/prediction positive
FDR=FP/ prediction positive
prediction negative=FN+TN
FOR=FN/prediction negative
NFV=TN/ prediction negative
Condition positive=TP+FN condition negative=FP+TN
真阳性率TPR=TP/condition positive 假阳性率FP=FP/condition negative
灵敏度(Sensitivity) 误诊率=1-特异度
召回率(Recall)
假阳性率FNR=FN/condition positive 真阴性率TNR=TN/condition negative
漏诊率=1-灵敏度 特异度(specificity)
(1)真阳性(True Positive，TP)： 检测不健康，且实际不健康；正确肯定的匹配数目；
(2)假阳性(False Positive，FP)：检测不健康，但实际健康；误报，给出的匹配是不正确
(3)真阴性(True Negative，TN)：检测健康，且实际健康；正确拒绝的非匹配数目；
(4)假阴性(False Negative，FN)：检测健康,但实际不健康；漏报，没有正确找到的匹配的数目。
敏感性、特异性、假阳性、假阴性（sensitivity and specificity）
医学、机器学习等等，在统计结果时时长会用到这两个指标来说明数据的特性。 定义
敏感性:在金标准判断有病（阳性）人群中，检测出阳性的几率。真阳性（检测出确实有病的能力）
特异性:在金标准判断无病（阴性）人群中，检测出阴性的几率。真阴性（检测出确实没病的能力）
假阳性率：得到了阳性结果，但这个阳性结果是假的。即在金标准判断无病（阴性）人群中，检测出为阳性的几率。（没病，但却检测结果说有病），为误诊率。
假阴性率：得到了阴性结果，但这个阴性结果是假的。即在金标准判断有病（阳性）人群中，检测出为阴性的几率。（有病，但却检测结果说没病），为漏诊率。
计算方法
| True Positive （真正, TP）被模型预测为正的正样本； 可以称作判断为真的正确率 True Negative （真负 , TN）被模型预测为负的负样本；可以称作判断为假的正确率 False Positive （假正, FP）被模型预测为正的负样本； 可以称作误报率 False Negative （假负 , FN）被模型预测为负的正样本；可以称作漏报率 True Positive Rate（真正率,TPR） 或灵敏度（sensitivity） TPR = TP /（TP + FN） 正样本预测结果数/正样本实际数 True Negative Rate（真负率,TNR）或特异度（specificity） TNR = TN /（TN + FP） 负样本预测结果数/负样本实际数 False Positive Rate（假正率,FPR） FPR =FP/（FP+TN） 被预测为正的负样本结果数/负样本实际数 False Negative Rate（假负率,FNR） FNR = FN /（TP + FN） 被预测为负的正样本结果数/正样本实际数 |
|
|
|
金标准 |
金标准 |
|
|
|
|
阳性（+） |
阴性（-） |
合计 |
| 某筛检方法 |
阳性（+） |
a |
b |
a+b |
| 某筛检方法 |
阴性（-） |
c |
d |
c+d |
| 合计 |
|
a+c |
b+d |
N |
假阳性率α=b÷（b+d） 假阳性率=假阳性人数÷金标准阴性人数
(b:筛选为阳性,而标准分类为阴性的例数; d:阴性一致例数)
假阴性率β=c÷（a+c） 假阴性率=假阴性人数÷金标准阳性人数
研究对象是某个事物（疾病），评判的标准是某个准则（诊断的各项指标）。
所谓敏感性，就是发病之后，你的诊断方法对疾病的敏感程度（识别能力），记TP为真阳性发生的概率，FN为假阴性概率，则敏感性为sensitivity=TP/TP+FN
所谓特异性——不发病（我们这里称之为健康）的特征是有别于发病的特征的，我们利用这些差异避免误诊，那么诊断标准对于这些差异利用的如何就用特异性来表示。记TN为真阴性发生概率，FP为假阳性发生概率，则特异性为specificity=TN/TN+FP.
显然，我们希望我们的评判标准（诊断标准）的敏感性和特异性都尽可能地高，这样可以使我们的漏诊率（实际上发病了却认为没病）降低，误诊率（实际上没发病却认为发病了）降低。然而，二者很难兼顾（可以从其他答案中的那个正常人和糖尿病人血糖分布中思考），那么又要如何设立我们的评判标准呢？常用的如
分类准确度（classification accuracy） 
平均错误率（balanced error rate） 
Matthews相关系数（Matthews correlation coefficient）
、真实水平α、p-value等。具体的标准还要视情况而定（比如你认为疾病很可怕，宁可信其有，当然要提高评判方法的敏感性，即使牺牲了特异性也认为值得等等，这是另外一个层面的问题了）