Especificidad

La especificidad, también llamada tasa negativa verdadera (TNR), es una medida de la frecuencia con la que el modelo identifica los negativos reales.

Como se muestra aquí, la especificidad es el número de estimaciones negativas correctas dividido por el número total de negativos reales. En otras palabras, la especificidad puede expresarse como:

Al igual que las otras métricas de clasificación que ha visto hasta ahora, la especificidad se puede expresar como un número de 0 a 1,0 o como un porcentaje.

En el ejemplo del cáncer de páncreas, usted calcularía especificidad como 513 / 513 + 8, o alrededor del 98 %. Sin embargo, la especificidad es útil para cuando se necesita maximizar la cantidad de negativos verdaderos que produce el modelo. Además, al igual que la precisión, no funciona tan bien cuando la etiqueta del conjunto de datos está desequilibrada. Por lo tanto, el ejemplo de detección de cáncer no es realmente un buen candidato para la especificidad.

Considere el ejemplo de videojuego de antes, donde tiene un modelo que predice si un jugador recomendará o no el juego a otras personas. La etiqueta es positiva cuando el jugador recomienda el juego, y negativa cuando no lo hace. Las respuestas etiquetadas parecen equilibradas, donde aproximadamente la mitad de los jugadores recomendarán el juego. En este caso, es posible que desee que su modelo maximice los verdaderos negativos para que pueda ofrecer más fácilmente elementos de bonificación especiales en el juego al segmento de jugadores que no recomendarán el juego, o tomar alguna otra acción que, con suerte, los anime a correr la voz sobre su nuevo juego. Por lo tanto, la especificidad podría ser una buena métrica para optimizar.