醫學診斷不是分類，而是預測（機率）

分類預測只適合於確定或是高訊息-雜訊比的事件，例如：模式識別（文字語言識別、圖像識別等）；機率預測則適合於隨機或是低訊息-雜訊比的事件，例如：氣象預報說：「明天降雨的機率是 30%」，至於是否要帶雨傘的決策則決定於你自己的功利（避免淋雨就能避免感冒、不舒服和不方便等）和損失（花錢買雨傘、雨傘佔去了行李箱的空間等）。例如：醫學診斷上預估某病人有肺癌的機率是 30%，那麼是否要做肺切除手術的決策是決定於該病人的功利（預防肺癌擴散或轉移、延長生命等）和損失（非癌症、手術併發症等）。

醫學診斷不適合用分類預測（例如：正確性、敏感性、特異性、接收者操作特徵曲線等），因為它們會隨著情境（例如：病人族群特色、疾病盛行率等）而改變。例如：假設某族群有某病的盛行率是 0.1%，那麼只要把每一個人都分類成「沒有病」，那麼該方法的正確率就會高達 99.9% 了，但是該方法無法適用於該病的盛行率是 10% 的族群；另外分類是硬把機率分為「有病，機率是 1.0」（例如：機率大於 0.5）和「沒病」（例如：機率小於 0.5，機率是 0），亦即硬把一個平滑的機率曲線變成一個二階（有、無）的階梯。可見分類是一個不適當的計分法，亦即操縱系統可以影響它的預測準確度。

「計分法」測量對類別變項機率預測的準確度，目的是最小化「損失函數」（衡量預測與實際的不一致帶來的損失）。分類正確的功利（utility）有兩種：把有病的分類成有病（敏感性）的功利、把沒病的分類成沒病（精確性）的功利。分類錯誤的損失有兩種：把有病的分類成沒病的損失、把沒病的分類成有病的損失。適當的計分法（例如：邏輯迴歸的 Brier 得分）無論在任何情境下都能最大化預期的報酬（功利減損失）。

真陽性（TP，敏感性、召回率）：在有病的人中該檢驗陽性的比率

假陽性（FP）：在無病的人中該檢驗陽性的比率

真陰性（TN，特異性）：在無病的人中該檢驗陰性的比率

假陰性（FN）：在有病的人中該檢驗陰性的比率

正確性：（TP + TN）/（TP + TN + FP + FN)

陽性預測率（精確率）：在檢驗陽性的人中有病的比率(TP/[TP+FP])

陰性預測率：在檢驗陰性的人中無病的比率(TN/[TN+FN])

精確率-召回率曲線：曲線下面積愈高愈好。橫軸是精確率，縱軸是召回率（TP），精確率愈高，召回率愈低。

接收者操作特徵（ROC）曲線：曲線下面積愈高愈好。橫軸是 FP，縱軸是 TP，FP 愈高，TP 愈高。ROC 曲線不適用於不平衡（例如：疾病的盛行率很低）的資料。