這個計算器的用途
這項工具用來評估二元診斷檢測或分類模型的表現。只要輸入 2×2 混淆矩陣的四個格子——真陽性（TP）、偽陰性（FN）、真陰性（TN）與偽陽性（FP）——即可計算出敏感度、特異度、陽性與陰性預測值（PPV／NPV），以及整體準確率。這些指標廣泛應用於醫學、流行病學與機器學習領域。
使用方式
請依研究或模型結果，填入各類別的數量。所謂「陽性」通常代表受測者確實患病（或模型預測為陽性類別）。TP 與 FP 是檢測判定為陽性的案例；TN 與 FN 則是檢測判定為陰性的案例。按下計算，即可看到五項指標的百分比結果。
公式解析
敏感度 = TP /（TP + FN），代表檢測抓出真實病例的能力——數值越高，被漏掉的病患越少。特異度 = TN /（TN + FP），代表正確排除健康者的能力——數值越高，誤判（假警報）越少。PPV = TP /（TP + FP），是陽性結果為真的機率；NPV = TN /（TN + FN），則是陰性結果確實為陰性的機率。準確率 =（TP + TN）/ 總數，用來概括整體判斷的正確程度。
$$\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}} \times 100\%$$$$\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}} \times 100\%$$$$\text{PPV} = \frac{\text{TP}}{\text{TP} + \text{FP}} \times 100\%$$$$\text{NPV} = \frac{\text{TN}}{\text{TN} + \text{FN}} \times 100\%$$$$\text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FN} + \text{TN} + \text{FP}} \times 100\%$$
實際範例
假設某項檢測的結果為 TP = 90、FN = 10、TN = 80、FP = 20。則敏感度 = \(90 / (90 + 10) = 90\%\)；特異度 = \(80 / (80 + 20) = 80\%\)；PPV = \(90 / (90 + 20) \approx 81.82\%\)；NPV = \(80 / (80 + 10) \approx 88.89\%\)；準確率 = \((90 + 80) / 200 = 85\%\)。
常見問題
敏感度與特異度有什麼差別？敏感度衡量檢測「找出真正患病者」的能力；特異度則衡量它「正確排除未患病者」的能力。
為什麼 PPV、NPV 會跟敏感度／特異度不同？預測值會受到樣本中疾病盛行率的影響，而敏感度與特異度則是檢測本身的固有特性，不隨盛行率改變。
一項檢測有可能 100% 敏感卻毫無用處嗎？有可能——如果一項檢測把所有人都判為陽性，它的敏感度是 100%，但特異度卻是 0%，所以這兩個數字必須一起看才有意義。
