什麼是特異度？
特異度（Specificity），又稱真陰性率（True Negative Rate），用來衡量一項檢驗或分類器「正確辨識陰性個案」的能力。它回答的問題是：「在所有實際沒有該疾病或狀況的受測者當中，檢驗正確判定為陰性的比例有多少？」特異度是醫學診斷、流行病學以及機器學習分類任務中的核心指標，與敏感度（Sensitivity，真陽性率）互為補充。
如何使用本計算器
請從你的混淆矩陣（confusion matrix）中輸入兩個數字：真陰性（True Negatives, TN）——正確判定為陰性的個案數，以及偽陽性（False Positives, FP）——實際為陰性卻被誤判為陽性的個案數。計算器會同時以小數比例與百分比兩種形式呈現特異度。
公式說明
特異度 = TN / (TN + FP)。
$$\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}} \times 100\%$$分母（TN + FP）代表實際陰性個案的總數。特異度為 1.0（100%）表示檢驗完全沒有出現偽陽性；數值越低，代表越多健康或陰性的受測者被錯誤地標記為陽性。
實例演算
假設一項篩檢針對 100 位健康的人進行。其中 80 位被正確判定為陰性（TN = 80），但有 20 位被誤判為陽性（FP = 20）。特異度 =
$$\text{Specificity} = \frac{80}{80 + 20} = \frac{80}{100} = 0.80$$也就是 80%。換句話說，這項檢驗正確辨識出 80% 真正為陰性的人。
常見問題
特異度多少才算好？數值越高越好；越接近 1.0（100%）代表偽陽性（誤報）越少。至於可接受的門檻，則取決於在你的應用情境中偽陽性所帶來的成本與代價。
特異度和敏感度有什麼不同？特異度衡量的是「陰性正確辨識」的能力（真陰性率），而敏感度衡量的是「陽性正確辨識」的能力（真陽性率）。兩者搭配在一起，才能完整描述一項檢驗的整體準確性。
如果 TN 和 FP 都是 0 怎麼辦？此時特異度無法定義，因為根本沒有任何實際陰性個案；為避免除以零的錯誤，計算器會回傳 0。
