Dein Lernbereich wird geladen
App wird gestartet …
Dein Lernbereich wird geladen
App wird gestartet …
Spezifität misst den Anteil tatsächlicher negativer Fälle, die korrekt als negativ erkannt werden.
Ansehen kostenlos · Karteikarten oder Multiple-Choice-Test · übernehmen ab Essential
Formel
dimensionslos, 0 bis 1; bei TN+FP=0 undefiniert
| Symbol | Bedeutung | Einheit |
|---|---|---|
| Richtig negative Vorhersagen | Anzahl | |
| Fälschlich positive Vorhersagen | Anzahl |
\text{Spezifität}=\frac{TN}{TN+FP}Spezifität ist der Recall der negativen Klasse beziehungsweise die True Negative Rate. Sie beschreibt, wie viele tatsächliche Negative nicht fälschlich alarmiert werden. Zusammen mit Sensitivität/Recall charakterisiert sie beide Klassenseiten bei festgelegter Schwelle. Bei TN+FP=0 gibt es keine tatsächlichen negativen Fälle und der Quotient ist undefiniert. Der Wert sagt allein nichts über Prävalenz oder positiven Vorhersagewert aus.
Spezifität ist der Recall der negativen Klasse beziehungsweise die True Negative Rate. Sie beschreibt, wie viele tatsächliche Negative nicht fälschlich alarmiert werden. Zusammen mit Sensitivität/Recall charakterisiert sie beide Klassenseiten bei festgelegter Schwelle. Bei TN+FP=0 gibt es keine tatsächlichen negativen Fälle und der Quotient ist undefiniert. Der Wert sagt allein nichts über Prävalenz oder positiven Vorhersagewert aus.
Spezifität misst den Anteil tatsächlicher negativer Fälle, die korrekt als negativ erkannt werden.
Falsch-Positiv-Rate aus Spezifität
FPR=1−Spezifität
Erkläre am Beispiel zu Spezifität (True Negative Rate), welche Eingabegrößen zur gesuchten Ausgabe führen.
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Spezifität misst den Anteil tatsächlicher negativer Fälle, die korrekt als negativ erkannt werden.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Die Beziehung ohne ihre angegebenen Voraussetzungen auf einen anderen Fall übertragen.
Prüfe vor dem Einsetzen den Gültigkeitsbereich: Spezifität ist der Recall der negativen Klasse beziehungsweise die True Negative Rate. Sie beschreibt, wie viele tatsächliche Negative nicht fälschlich alarmiert werden. Zusammen mit Sensitivität/Recall charakterisiert sie beide Klassenseiten bei.
Formelcluster
Spezifität misst den Anteil tatsächlicher negativer Fälle, die korrekt als negativ erkannt werden.
Bei TN=90 und FP=10 ist Spezifität=90/(90+10)=0,90: neun von zehn tatsächlichen negativen Fällen werden korrekt ausgeschlossen.
Fehlalarmverhalten binärer Klassifikatoren und diagnostischer Tests bewerten.
Eine typische Aufgabe Schritt für Schritt: Spezifität (True Negative Rate) (TNR = TN/(TN+FP)).
Aufgabe
Erkläre am Beispiel zu Spezifität (True Negative Rate), welche Eingabegrößen zur gesuchten Ausgabe führen.
Rechenweg
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Spezifität misst den Anteil tatsächlicher negativer Fälle, die korrekt als negativ erkannt werden.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Spezifität ist der Anteil tatsächlicher negativer Fälle, die das Modell korrekt negativ einordnet. Sie wird als TN/(TN+FP) berechnet und heißt auch True Negative Rate. Eine hohe Spezifität bedeutet wenige Falsch-Positive unter den Negativen, sagt aber nicht, wie viele positive Fälle gefunden werden. Dafür brauchst du Recall oder Sensitivität. Spezifität bezieht sich auf tatsächliche negative Fälle und ist schwellenabhängig. Berichte sie zusammen mit Sensitivität, Testklasse und Konfusionsmatrix; ein einzelner Wert zeigt weder Prävalenz noch die Zuverlässigkeit positiver Vorhersagen. Unterschiede in der Testpopulation können den beobachteten Wert ebenfalls verschieben.
Lies TN als korrekt verworfene negative Fälle und FP als fälschlich positive Meldungen. Bei TN=90 und FP=10 ergibt sich 90/100=0,90. Kontrolliere, dass tatsächliche Klassen korrekt in der Konfusionsmatrix identifiziert wurden. Die Kennzahl ist dimensionslos. Werden Prozente gewünscht, multipliziere erst nach der Division mit 100. Spezifität bezieht sich auf tatsächliche negative Fälle und ist schwellenabhängig. Berichte sie zusammen mit Sensitivität, Testklasse und Konfusionsmatrix; ein einzelner Wert zeigt weder Prävalenz noch die Zuverlässigkeit positiver Vorhersagen. Unterschiede in der Testpopulation können den beobachteten Wert ebenfalls verschieben.
Beide beziehen sich auf tatsächliche Negative. Spezifität zählt den richtig negativen Anteil TN/(TN+FP); die Falsch-Positiv-Rate zählt den fälschlich positiven Anteil FP/(TN+FP). Deshalb summieren sie sich bei gleichem Test und gleicher Schwelle zu eins. Achte darauf, nicht die False Discovery Rate FP/(TP+FP) zu verwenden; deren Nenner sind alle positiven Vorhersagen. Spezifität bezieht sich auf tatsächliche negative Fälle und ist schwellenabhängig. Berichte sie zusammen mit Sensitivität, Testklasse und Konfusionsmatrix; ein einzelner Wert zeigt weder Prävalenz noch die Zuverlässigkeit positiver Vorhersagen. Unterschiede in der Testpopulation können den beobachteten Wert ebenfalls verschieben.
Die Schwelle legt fest, ab welchem Modellscore ein Fall positiv genannt wird. Eine höhere Schwelle führt oft zu weniger positiven Meldungen: FP können sinken und TN steigen, wodurch Spezifität zunimmt. Gleichzeitig können mehr tatsächliche Positive übersehen werden. Der Wert beschreibt also eine konkrete Betriebsentscheidung; für Vergleiche sind ROC-Kurve oder mehrere Schwellen informativer. Spezifität bezieht sich auf tatsächliche negative Fälle und ist schwellenabhängig. Berichte sie zusammen mit Sensitivität, Testklasse und Konfusionsmatrix; ein einzelner Wert zeigt weder Prävalenz noch die Zuverlässigkeit positiver Vorhersagen. Unterschiede in der Testpopulation können den beobachteten Wert ebenfalls verschieben.
Wenn TN+FP=0, enthält die Auswertung keinen tatsächlichen negativen Fall. Dann lässt sich der korrekt-negative Anteil nicht bestimmen. Software kann warnen oder per Konvention null liefern, aber das ist keine beobachtete Spezifität. Stelle sicher, dass das Testset beide relevanten Klassen enthält und dokumentiere jede Bibliothekskonvention, falls ein Randfall auftritt. Spezifität bezieht sich auf tatsächliche negative Fälle und ist schwellenabhängig. Berichte sie zusammen mit Sensitivität, Testklasse und Konfusionsmatrix; ein einzelner Wert zeigt weder Prävalenz noch die Zuverlässigkeit positiver Vorhersagen. Unterschiede in der Testpopulation können den beobachteten Wert ebenfalls verschieben.
Quanta-Prüfungsset
Kuratiertes Prüfungsset für "Spezifität (True Negative Rate)":
Frage (Vorderseite)
Welche Formel beschreibt Spezifität (True Negative Rate)?
Antwort in deinem Set
Frage (Vorderseite)
Wie stellst du TNR = TN/(TN+FP) nach Falsch-Positiv-Rate aus Spezifität um?
Antwort in deinem Set
Frage (Vorderseite)
Welcher typische Fehler passiert bei TNR = TN/(TN+FP)?
Antwort in deinem Set
+ 7 weitere Karten: Einheiten, Variablen, Herleitung, Beispiel, Klausuraufgabe
Das Formelset enthält 10 Karten. Nach der Übernahme kannst du sie prüfen und lernen; deine Bewertungen bestimmen die weiteren Wiederholungen.
Die Liste nennt Fachquellen und weiterführende Literatur. Eine Seiten- oder Abschnittsnummer steht dabei, wenn sie Teil der Literaturangabe ist; es handelt sich nicht um wörtliche Zitate.
Erstelle ein kuratiertes FSRS-Prüfungsset für TNR = TN/(TN+FP): Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.
Kuratiertes Formelset · LaTeX · FSRS Spaced Repetition · übernehmen ab Essential