假设有这样一种情况，标记为0的数据有1400个，标记为1的数据有100个。标记为0的数据表示正常运行状态，而标记为1的数据表示异常情况。只有在异常事件发生时才会触发警报。

假设我们获得了以下二元分类混淆矩阵

cmMatrix =                     predicted 0  predicted 1           truth 0    1100 (TN)      300 (FP)           truth 1    30 (FN)         70 (TP)cmMatrix = [1100,300;30,70];acc_0  = 100*(cmMatrix(1,1))/sum(cmMatrix(1,:));acc_1  = 100*(cmMatrix(2,2))/sum(cmMatrix(2,:));

将得到 acc_0 = 78.5714 和 acc_1 = 70

混淆矩阵的解读如下：在1400个正常事件中，有1100个被正确识别为正常，300个被错误识别为异常。然后，在100个异常事件中，有70个被正确检测为异常，而30个被错误检测为正常。我想计算类别1的敏感性和特异性，因为这是异常事件检测中的主要关注点。我的计算方法如下

Sensitivity = TP/(TP+FN) = 70/(70+30 ) = 0.70Specificity = TN/(TN+FP) = 1100/(1100+300) = 0.78

• 敏感性指的是测试正确检测异常事件的能力。为什么敏感性如此低，并且与准确率acc_1（70%）如此不同？

• 这个计算是否正确？个体类别准确率与敏感性之间有什么区别？

我的计算是否有误？

回答：

你的计算是正确的。我认为敏感性和特异性之间的不平衡让你感到困惑，因为你的准确率相对较高。这是正常的，也是分类器的一个常见问题，特别是当两个类别之间没有均匀分布时。作为一个思想实验，想象一下你的分类器只是任意决定每个样本都被标记。这将给你一个总体准确率1400/1500 = 0.9333，这看起来非常好，直到你调查敏感性和特异性，一切都是由于类别大小差异造成的。

因此，由于敏感性非常低时准确率误导性地高，展示F1分数可能更具代表性：https://en.wikipedia.org/wiki/F1_score