前言
在论文阅读的过程中，经常遇到使用特异性（specificity）和灵敏度（sensitivity）这两个指标来描述分类器的性能。对这两个指标表示的含有一些模糊，这里查阅了相关资料后记录一下。
基础知识
考虑一个二分类的情况，类别为1和0，我们将1和0分别作为正类（positive）和负类（negative），则实际分类的结果有4种，表格如下：从这个表格中可以引出一些其它的评价指标：
- ACC：classification accuracy，描述分类器的分类准确率
计算公式为：ACC=(TP+TN)/(TP+FP+FN+TN) - BER：balanced error rate
计算公式为：BER=1/2*(FPR+FN/(FN+TP)) - 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) - FPR：false positive rate，描述将负例识别为正例的情况占所有负例的比例
计算公式为：FPR= FP / (FP + TN) - 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) - PPV：Positive predictive value
计算公式为：PPV=TP / (TP + FP) - NPV：Negative predictive value
计算公式：NPV=TN / (FN + TN)
其中TPR即为敏感度（sensitivity），TNR即为特异度（specificity）。
参考资料
注：文中的图片均来自参考资料。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/210263.html原文链接：https://javaforall.net
