敏感度計算器

輸入計算

真陽性（TP）

偽陰性（FN）

結果

敏感度（真陽性率）

90%

實際陽性中被正確辨識的比例

敏感度（比例）	0.9

什麼是敏感度？

敏感度又稱為真陽性率（true positive rate）或召回率（recall），用來衡量一項檢測或分類器辨識真正陽性個案的能力。它回答的問題是：「在所有真正帶有該狀況的人（或樣本）當中，檢測正確標記出來的比例有多少？」敏感度越高，代表被漏掉的陽性個案越少。

如何使用本計算器

請輸入真陽性（TP）的數量──也就是被正確判定為陽性的個案；以及偽陰性（FN）的數量──也就是實際為陽性、卻被錯誤判定為陰性的個案。計算器會同時以小數（0–1）和百分比兩種方式呈現敏感度。

公式說明

敏感度 = TP /（TP + FN）。分母（TP + FN）即為實際陽性個案的總數。將正確抓出的陽性數除以全部真正的陽性數，就能得到檢測成功偵測出的比例。結果介於 0（一個都沒抓到）到 1（全部抓到）之間。

$$\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}} \times 100\%$$

Advertisement

靈敏度使用實際陽性病例：真陽性除以真陽性與偽陰性之和。

範例演算

假設某項篩檢正確辨識出 90 位患病者（TP = 90），但漏掉了 10 位患病者（FN = 10）。敏感度 = 90 /（90 + 10）= 90 / 100 = 0.9，也就是 90%。換句話說，這項檢測抓出了 90% 的真實個案。

$$\text{Sensitivity} = \frac{90}{90 + 10} = \frac{90}{100} = 0.9 = 90\%$$

常見問題

敏感度與召回率是同一回事嗎？是的──在機器學習領域，召回率（recall）與敏感度（sensitivity）完全相同，皆為 \(\text{TP} / (\text{TP} + \text{FN})\)。

敏感度與特異度有什麼差別？敏感度衡量的是真陽性率，特異度則衡量真陰性率，即 \(\text{TN} / (\text{TN} + \text{FP})\)。兩者結合起來，便能完整描述一項檢測在陽性與陰性個案上的準確表現。

敏感度多高才算好？這要視情境而定。針對重大疾病的篩檢通常會追求極高的敏感度（95% 以上），以盡量避免漏診，即使代價是增加偽陽性也在所不惜。