Specificity

Specificity (специфичность, также true negative rate, TNR) — это метрика качества бинарного классификатора, которая показывает, какую долю объектов отрицательного класса модель правильно распознала как отрицательные.

Формула

Specificity = \frac{TN}{TN + FP}

Где:

TN (True Negative) — верно предсказан отрицательный класс;
FP (False Positive) — ложное срабатывание: модель сказала «положительный», а на самом деле «отрицательный».

То есть знаменатель — это все реальные отрицательные объекты.

Что это значит на практике

Specificity отвечает на вопрос:

«Если объект на самом деле отрицательный, какова вероятность, что модель это заметит и не поднимет ложную тревогу?»

Высокая специфичность → мало ложных срабатываний (FP). Модель редко называет «положительным» то, что на самом деле «отрицательное».
Низкая специфичность → много FP, модель часто ошибочно сигналит о «положительном».

Пример

Вернёмся к примеру со спамом:

TN = 85 (обычные письма верно отнесены к обычным);
FP = 5 (обычные письма ошибочно названы спамом).

Specificity = \frac{85}{85 + 5} = \frac{85}{90} \approx 94.4%

Это означает: модель правильно определяет 94.4% всех не-спамовых писем. Ложные срабатывания — 5.6%.

Связь с другими метриками

Recall / Sensitivity (чувствительность) = $\frac{TP}{TP + FN}$ — доля верно найденных положительных объектов. Specificity — её «зеркальный» аналог для отрицательного класса.
False Positive Rate (FPR) = $1 - Specificity = \frac{FP}{TN + FP}$ — доля ложных срабатываний среди реальных отрицательных.
Balanced Accuracy = $\frac{Sensitivity + Specificity}{2}$ — среднее между чувствительностью и специфичностью, полезно при дисбалансе классов.
ROC-кривая строится как зависимость Sensitivity от $1 - Specificity$ (то есть TPR от FPR).

Где особенно важна

Медицинская диагностика: высокая специфичность нужна, чтобы не пугать здоровых людей ложным диагнозом.
Спам-фильтры: specificity показывает, как часто нормальные письма попадают в спам.
Системы безопасности: низкий FPR критичен, чтобы не блокировать легальных пользователей.
Кредитный скоринг: важно не отказывать надёжным заёмщикам (избегать FP).

Важный нюанс

Specificity, как и recall, зависит от порога классификации. Если модель выдаёт вероятности, меняя порог, можно увеличить specificity за счёт снижения sensitivity, и наоборот. Поэтому смотрят на компромисс, например через ROC-AUC или precision-recall curve.

В Python

В scikit-learn отдельной функции specificity нет, но её легко посчитать из матрицы ошибок:

from sklearn.metrics import confusion_matrix
 
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
specificity = tn / (tn + fp)
print(specificity)

Коротко: Specificity — это доля реальных «отрицательных», которых модель верно назвала «отрицательными». Она показывает, насколько хорошо классификатор избегает ложных срабатываний.

LDS