【什么是特异性和敏感性】在医学、统计学和机器学习等领域，特异性（Specificity） 和 敏感性（Sensitivity） 是衡量诊断工具或模型性能的两个重要指标。它们用于评估测试结果与真实情况之间的匹配程度，特别是在疾病检测、分类任务中具有重要意义。
一、概念总结
敏感性（Sensitivity）：
指在所有实际为“阳性”的样本中，被正确识别为阳性的比例。它衡量的是模型或测试是否能够有效发现真正的病例。敏感性越高，漏诊的可能性越低。
公式：
$$ \text{Sensitivity} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}} $$
特异性（Specificity）：
指在所有实际为“阴性”的样本中，被正确识别为阴性的比例。它衡量的是模型或测试是否能够准确排除非病例。特异性越高，误诊的可能性越低。
公式：
$$ \text{Specificity} = \frac{\text{True Negatives (TN)}}{\text{True Negatives (TN)} + \text{False Positives (FP)}} $$
二、对比表格
| 指标 | 定义 | 公式表达 | 目标 |
| 敏感性 | 实际为阳性的人中，被正确判断为阳性的比例 | TP / (TP + FN) | 尽量不漏诊 |
| 特异性 | 实际为阴性的人中，被正确判断为阴性的比例 | TN / (TN + FP) | 尽量不误诊 |
三、实际应用举例
假设某医院进行一项癌症筛查测试，共检测了100人，其中：
- 真实患者（阳性）：30人
- 非患者（阴性）：70人
测试结果如下：
- 真阳性（TP）：25人
- 假阳性（FP）：10人
- 真阴性（TN）：60人
- 假阴性（FN）：5人
根据上述数据计算：
- 敏感性 = 25 / (25 + 5) = 25/30 ≈ 83.3%
- 特异性 = 60 / (60 + 10) = 60/70 ≈ 85.7%
这说明该测试对患者有较高的识别能力，但也有一定概率将健康人误判为患者。
四、总结
敏感性和特异性是评估诊断系统或分类模型性能的重要指标，两者之间往往存在权衡关系。在实际应用中，需根据具体需求选择合适的平衡点。例如，在疾病早期筛查中，通常更注重高敏感性以减少漏诊；而在后续确认阶段，则可能更关注高特异性以避免不必要的治疗。
