要做出最佳决策，您需要了解有关个人的所有相关数据（用于估计结果的概率）以及做出每个决策的效用（成本、损失函数）。敏感性和特异性不提供此信息。这就是为什么直接概率模型（例如二元逻辑模型）如此受欢迎的原因。例如，如果您估计给定年龄、性别和症状的疾病概率为 0.1，并且假阳性的“成本”等于假阴性的“成本”，您会认为该人没有这种病。鉴于其他实用程序，您可能会做出不同的决定。如果实用程序未知，

除了临界值不适用于个人，仅适用于群体这一事实之外，个人决策也没有利用敏感性和特异性。对于个人，我们可以计算；我们不关心，的人会很困惑当他们已经知道所以它不再是一个随机变量。$\textrm{Prob}(Y=1 | X=x)$$\textrm{Prob}(Y=1 | X>c)$$X=x$$\textrm{Prob}(X>c | \textrm{future unknown Y})$$X=x$

即使需要进行群体决策，也可以绕过敏感性和特异性。例如，对于大众营销，您可以根据购买产品的估计概率对订单个人进行排名，以创建提升曲线。然后将其用于针对个最有可能的买家，其中被选择以满足总计划成本限制。$k$$k$

正如尼克已经指出的那样，答案取决于上下文。但是，如果您只需要根据您提供的敏感性和特异性值进行判断，那么一个好的策略是在 y 轴上绘制敏感性，在 x 轴上绘制特异性并查看为最左边的最高点。这一点将是您可能想要选择的敏感性和特异性对。但请记住，领域知识对最终决定有着巨大的影响。这是为您工作的 R 代码：$(100\%-$$)$

R> sens <- c(66.3, 87.2, 56.4, 79.5)
R> spec <- c(74.7, 65.9, 76.4, 94.3)
R> df <- data.frame(y=sens, x=(100-spec))
R> df
     y    x
1 66.3 25.3
2 87.2 34.1
3 56.4 23.6
4 79.5  5.7
R> df <- df[order(df$x), ]
R> df
     y    x
4 79.5  5.7
3 56.4 23.6
1 66.3 25.3
2 87.2 34.1  

R> plot(x = df$x, y = df$y, type = "b", 
     pch = 20, lty="solid", lwd = 2, 
     main = "Sensitiviy and (100-Specificity) Curve", 
     xlab = "100 - Specificity", ylab = "Sensitivity")

因此，您会选择 79.5、94.3 的敏感性和特异性对。

基本理念：真阳性数高，假阳性数低！