分類中使用的一些評價指標

1. 敏感性(SEN)

   敏感性指由金標準確診爲有病地實驗組內所檢測出陽性病例數的比率（%），即實驗診斷的真陽性率。其敏感性越高，假陰率也就越低。假陰率等於漏診率，所以，敏感性高的實驗診斷用於疾病診斷時，其值越高，漏診的機會就越小。因此敏感性和假陰性率具備互補性。即 敏感性 = 真陽性 / 陽性病例數

2. 特異性(SPE)

   是指由金標準確診爲無病的對照組內所檢測出陰性人數的比率（%），即診斷實驗的真陰性率。特異性越高，其假陽性率也就越低。假陽性率等於誤診率，所以，特異性越高的檢驗診斷方法用於疾病診斷時，其發生誤診的機會就越少。因而可知，特異性和假陽性率也具備互補性。即：特異性=真陰性 / 陰性病例數

3. 陽性預測值(postive predictive value -- PPV)

   又稱預測陽性結果的正確率，是指待評價的診斷試驗結果判爲陽性例數中，真正患某病的例數所佔的比例，即從陽性結果中能預測真正患病的百分數，這也是臨牀醫生最關心的診斷指標。陽性預測值的高低主要受患病率的影響，所以，臨牀實驗診斷研究的陽性預測值能在不一樣的患病率狀況下指導臨牀醫師合理運用實驗診斷項目。即：陽性預測值=真陽性/（真陽性+假陽性）

4. 陰性預測值（negative predictive value -- NPV）

   又稱預測陰性結果的正確率，是指臨牀診斷實驗檢測出的所有陰性例數中，真正沒有患本病的例數所佔的比例。通常狀況下（患病率）敏感性越高的實驗診斷項目，其陰性預測值越高，相反，特異性越高的臨牀實驗診斷陽性預測值越好。可是，患病率對預測值的影響要比敏感性和特異性的影響更爲重要。即：陰性預測值=真陰性 /（真陰性+假陰性）

5. 受試者工做特徵曲線 （receiver operating characteristic curve，ROC）

   受試者工做特徵曲線就是以假陽性機率（False positive rate）爲橫軸，真陽性（True positive rate）爲縱軸所組成的座標圖，和受試者在特定刺激條件下因爲採用不一樣的判斷標準得出的不一樣結果畫出的曲線。
   ROC曲線是根據一系列不一樣的二分類方式（分界值或決定閾），以真陽性率（靈敏度）爲縱座標，假陽性率（1-特異度）爲橫座標繪製的曲線。傳統的診斷試驗評價方法有一個共同的特色，必須將試驗結果分爲兩類，再進行統計分析。ROC曲線的評價方法與傳統的評價方法不一樣，無須此限制，而是根據實際狀況，容許有中間狀態，能夠把試驗結果劃分爲多個有序分類，如正常、大體正常、可疑、大體異常和異常五個等級再進行統計分析。
   AUC: 一個正例，一個負例，預測爲正的機率值比預測爲負的機率值還要大的可能性

參考連接

診斷實驗評價指標的應用及分析
百度百科--ROC曲線
AUC,ROC講解
多分類ROC曲線