机器学习评价指标（1）——灵敏度（sensitivity）/查准率/召回率（Recall）/和特异度（Specificity）

1. 敏感性和特异性

• 理想状态：标准或者阈值在分界点
  
• 实际状况：漏诊和误诊二者择一
  
  

若选用绿线作为判断标准，则没有误判一个正常人，但是漏掉了部分患者。这种情况下，特异度最高；

• 特异度（TNR）：true negative rate，描述识别出的负例占所有负例的比例
  计算公式为：TNR= TN / (FP + TN) 。
  特异度越高的意思是，尽可能多地负例判断为负，即将正常人判定为正常人，而不出现误判。（所以分子代表的是判断正确的负例，分母为样本真实的负例）
  在绿线这里，表示的也就是将所有的正常人（负例）全部判断为负。

若选择红线作为判断标准，则没有一个病人被漏诊，但部分正常人得到了错误的结果。在这种情况下，灵敏度最高；

• 灵敏度（TPR）：true positive rate，描述识别出的所有正例占所有正例的比例
  计算公式为：TPR=TP/ (TP+ FN) 。
  灵敏度越高的意思是，尽可能地将正例判断为正，即将病人判断为病人，而不出现漏诊。（所以分子代表的是判断正确的正例，分母为样本真实的正例）
  在红线这里，表示的是将所有的患者（正例）全部判断为正。

注：被误诊的部分叫做假阳率，被漏诊的部分叫做假阴率。

所以，要根据具体的情况，选择适合的判断标准：
对于一些预后差，漏诊后果严重，早期诊断可以有效果很好的疾病时，我们就把灵敏度定高一点。不要放过一个病人。梅毒就是这样的疾病，所以，RPR检测的灵敏度高特异度低。
对于一些治疗效果不好，确诊和治疗费用高，或者预后不太严重，或误诊时对病人心理生理和经济上有严重影响的疾病，我们就把特异度定高一点。不要冤枉一个正常人。艾滋病就是这样的疾病。

2. 精准性、查全度和F1值

• 精准率定义为：P = TP / (TP + FP)，表示正样本识别正确的个数 / 模型判断为正样本的个数
• 召回率定义为：R = TP / (TP + FN)，反应的是覆盖度的度量，表示正样本识别正确的个数 / 真实情况下正样本的个数，等价于灵敏度
• F1值定义为： F1 = 2 P R / (P + R)，是上面两个的调和平均数，为了解决准确率和召回率冲突问题而引入

附：精准率和召回率和F1取值都在0和1之间，精准率和召回率高，F1值也会高

参考：
哪个大神能解释一下敏感性和特异性？