统计学中怎么计算灵敏度特异度

灵敏度和特异度是评价诊断试验准确性的两个重要指标。灵敏度是指在所有病例中，确诊为阳性的比例；特异度是指在所有非病例中，确诊为阴性的比例。计算公式如下：

灵敏度 = 真阳性 / (真阳性 + 假阴性)

特异度 = 真阴性 / (真阴性 + 假阳性)

其中，真阳性是指实际为阳性的样本被正确地诊断为阳性的数量；假阴性是指实际为阳性的样本被错误地诊断为阴性的数量；真阴性是指实际为阴性的样本被正确地诊断为阴性的数量；假阳性是指实际为阴性的样本被错误地诊断为阳性的数量。

相关问题

python计算矩阵的特异度和灵敏度

特异度和灵敏度是统计学中用于评估二分类模型性能的指标。在矩阵计算中，可以使用以下公式计算特异度和灵敏度：

特异度 = TN / (TN + FP)

灵敏度 = TP / (TP + FN)

其中，TP表示真正例（True Positive），即被正确预测为正例的样本数；FP表示假正例（False Positive），即被错误预测为正例的样本数；FN表示假反例（False Negative），即被错误预测为反例的样本数；TN表示真反例（True Negative），即被正确预测为反例的样本数。

假设有一个2x2的混淆矩阵如下：

| | 预测为正例 | 预测为反例 |
|--------|------------|------------|
| 实际为正例 | 10 | 5 |
| 实际为反例 | 2 | 13 |

则可以使用以下代码计算特异度和灵敏度：

import numpy as np

confusion_matrix = np.array([[10, 5], [2, 13]])

TP = confusion_matrix[0, 0]
FP = confusion_matrix[0, 1]
FN = confusion_matrix[1, 0]
TN = confusion_matrix[1, 1]

specificity = TN / (TN + FP)
sensitivity = TP / (TP + FN)

print("特异度为：", specificity)
print("灵敏度为：", sensitivity)

输出结果为：

特异度为： 0.7222222222222222
灵敏度为： 0.8333333333333334