本文主要是介绍机器学习中的敏感性和特异性的概念，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
敏感性 Sensitivity
敏感性又称真阳性率，就是发病之后，你的诊断方法对疾病的敏感程度（识别能力）。
敏感性越高，漏诊概率越低。
特异性 Specificity
特异性又称真阴性率，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。
特异性越高，确诊概率越高。
举个例子
样本是100个人，其中90个人无病，10个人有病
诊断结果：
90个无病人群中，检测（有病，无病）=（2，88）
10个有病人群中，检测（有病，无病）=（9，1）
| 结果 | 真实阴性 | 真实阳性 |
|---|---|---|
| 测试阴性 | 88 | 1 |
| 测试阳性 | 2 | 9 |
则:
真阴性率
TN= 88/(88+2) = 0.9777真阳性率
TP= 9/(1+9) = 0.9
简而言之
敏感性就是测试阳性 / 真实阳性，特异性就是测试阴性 / 真实阴性
这篇关于机器学习中的敏感性和特异性的概念的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
