2025年大學(xué)《應(yīng)用統(tǒng)計(jì)學(xué)》專(zhuān)業(yè)題庫(kù)——數(shù)據(jù)異常檢測(cè)方法在工業(yè)過(guò)程控制中的應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、簡(jiǎn)述描述統(tǒng)計(jì)在數(shù)據(jù)異常檢測(cè)中的基本作用。請(qǐng)至少列舉三種常用的描述統(tǒng)計(jì)量，并說(shuō)明它們各自如何有助于識(shí)別數(shù)據(jù)中的異常點(diǎn)。二、比較并contrast（對(duì)比）基于統(tǒng)計(jì)的方法（如3-Sigma法則）和基于密度的方法（如DBSCAN）在異常檢測(cè)方面的主要異同點(diǎn)。在哪種類(lèi)型的工業(yè)過(guò)程數(shù)據(jù)監(jiān)控中，你認(rèn)為其中一種方法可能比另一種方法更具優(yōu)勢(shì)？請(qǐng)簡(jiǎn)述理由。三、假設(shè)你正在負(fù)責(zé)一個(gè)化工生產(chǎn)過(guò)程的在線(xiàn)監(jiān)控項(xiàng)目。該過(guò)程的關(guān)鍵質(zhì)量參數(shù)之一是反應(yīng)溫度，正常生產(chǎn)時(shí)溫度通常圍繞一個(gè)目標(biāo)值波動(dòng)，但偶爾會(huì)出現(xiàn)由于設(shè)備故障或原料問(wèn)題導(dǎo)致的異常高溫或低溫。請(qǐng)描述你會(huì)考慮使用哪些異常檢測(cè)方法來(lái)監(jiān)控這個(gè)參數(shù)，并說(shuō)明選擇這些方法的主要考慮因素。對(duì)于檢測(cè)到的異常，你認(rèn)為應(yīng)該設(shè)置怎樣的響應(yīng)機(jī)制？四、解釋孤立森林（IsolationForest）算法的基本原理。它為什么特別適用于高維數(shù)據(jù)的異常檢測(cè)？請(qǐng)結(jié)合工業(yè)過(guò)程控制中數(shù)據(jù)通常具有高維特點(diǎn)這一事實(shí)，說(shuō)明孤立森林在該領(lǐng)域的潛在應(yīng)用價(jià)值。五、在實(shí)際的工業(yè)過(guò)程監(jiān)控中，僅僅檢測(cè)出異常點(diǎn)往往是不夠的。請(qǐng)論述除了識(shí)別異常外，異常檢測(cè)方法還能為工業(yè)過(guò)程改進(jìn)提供哪些有價(jià)值的信息或支持？你可以結(jié)合具體的異常類(lèi)型（如趨勢(shì)異常、突變異常等）來(lái)闡述。六、在進(jìn)行異常檢測(cè)時(shí)，如何評(píng)估所選方法的性能？請(qǐng)列舉至少三種常用的評(píng)估指標(biāo)，并簡(jiǎn)要說(shuō)明每個(gè)指標(biāo)的含義及其在工業(yè)過(guò)程控制應(yīng)用中的意義。選擇指標(biāo)時(shí)需要考慮哪些因素？七、描述一下在將異常檢測(cè)方法應(yīng)用于工業(yè)過(guò)程控制時(shí)，數(shù)據(jù)預(yù)處理的重要性。可能需要進(jìn)行哪些關(guān)鍵的數(shù)據(jù)預(yù)處理步驟？這些步驟如何影響后續(xù)的異常檢測(cè)結(jié)果？八、設(shè)想一個(gè)工業(yè)過(guò)程中，某個(gè)關(guān)鍵參數(shù)的異常可能預(yù)示著嚴(yán)重的設(shè)備故障，而誤報(bào)（將正常數(shù)據(jù)判為異常）會(huì)造成生產(chǎn)中斷和額外成本。請(qǐng)討論在這種情況下，選擇異常檢測(cè)方法時(shí)應(yīng)如何權(quán)衡敏感度（Sensitivity）和特異度（Specificity）？你會(huì)傾向于選擇更敏感的方法還是更特異的方法？為什么？九、工業(yè)過(guò)程數(shù)據(jù)往往具有時(shí)序性。與在靜態(tài)數(shù)據(jù)集上進(jìn)行異常檢測(cè)相比，在時(shí)序數(shù)據(jù)上進(jìn)行異常檢測(cè)增加了哪些新的挑戰(zhàn)？請(qǐng)至少提出兩個(gè)挑戰(zhàn)，并簡(jiǎn)述應(yīng)對(duì)這些挑戰(zhàn)時(shí)可能需要調(diào)整的異常檢測(cè)方法或考慮的因素。試卷答案一、描述統(tǒng)計(jì)通過(guò)提供數(shù)據(jù)集中數(shù)據(jù)分布的中心位置（如均值、中位數(shù)）、離散程度（如方差、標(biāo)準(zhǔn)差、四分位距）和形狀（如偏度、峰度）等概括性信息，為異常檢測(cè)提供了基準(zhǔn)。這些統(tǒng)計(jì)量有助于定義“正?！睌?shù)據(jù)范圍。常用的描述統(tǒng)計(jì)量及其在識(shí)別異常點(diǎn)中的作用：1.均值（Mean）和標(biāo)準(zhǔn)差（StandardDeviation）：基于正態(tài)分布假設(shè)，數(shù)據(jù)點(diǎn)落在均值加減若干倍標(biāo)準(zhǔn)差范圍之外的可能性很小。通常，超出均值加減2或3倍標(biāo)準(zhǔn)差的數(shù)據(jù)點(diǎn)被視為潛在異常點(diǎn)（對(duì)應(yīng)3-Sigma法則）。標(biāo)準(zhǔn)差越大，正常范圍越寬，異常標(biāo)準(zhǔn)也相應(yīng)提高。2.中位數(shù)（Median）和四分位距（InterquartileRange,IQR）：中位數(shù)對(duì)極端值不敏感，更能代表數(shù)據(jù)的中心趨勢(shì)。IQR（Q3-Q1）衡量數(shù)據(jù)的散布程度，是衡量變異性的一種穩(wěn)健方法。低于Q1-1.5*IQR或高于Q3+1.5*IQR的數(shù)據(jù)點(diǎn)通常被識(shí)別為異常值（基于箱線(xiàn)圖方法）。這種方法在數(shù)據(jù)分布偏斜或存在離群點(diǎn)時(shí)更有效。3.最大值（Maximum）和最小值（Minimum）：直接提供數(shù)據(jù)的最極端觀察值。雖然簡(jiǎn)單，但容易受到極端異常值的影響。常用于初步探索或與其他方法結(jié)合，界定極端異常范圍。二、基于統(tǒng)計(jì)的方法（如3-Sigma法則）：*原理：假設(shè)數(shù)據(jù)呈正態(tài)分布，絕大多數(shù)數(shù)據(jù)點(diǎn)（約99.7%）落在均值加減3個(gè)標(biāo)準(zhǔn)差范圍內(nèi)。超出此范圍的數(shù)據(jù)點(diǎn)被認(rèn)為是異常的。*優(yōu)點(diǎn)：簡(jiǎn)單直觀，計(jì)算容易，無(wú)需大量樣本信息，對(duì)正態(tài)分布數(shù)據(jù)效果較好。*缺點(diǎn)：嚴(yán)格依賴(lài)正態(tài)分布假設(shè)，對(duì)非正態(tài)分布數(shù)據(jù)效果差；對(duì)異常值敏感，可能將多個(gè)異常值的影響引入均值和標(biāo)準(zhǔn)差計(jì)算，導(dǎo)致判斷閾值失真；對(duì)所有偏離中心的點(diǎn)一視同仁，無(wú)法區(qū)分孤立的異常點(diǎn)和由輕微趨勢(shì)或周期性變化引起的異常?；诿芏鹊姆椒ǎㄈ鏒BSCAN）：*原理：根據(jù)數(shù)據(jù)點(diǎn)的局部密度來(lái)識(shí)別異常。將密度足夠高的區(qū)域劃分為簇，密度顯著低的點(diǎn)被視為異常點(diǎn)（噪聲點(diǎn)）。*優(yōu)點(diǎn)：不需要假設(shè)數(shù)據(jù)分布形態(tài)；能有效地發(fā)現(xiàn)任意形狀的簇；對(duì)噪聲點(diǎn)具有魯棒性；可以發(fā)現(xiàn)局部異常。*缺點(diǎn)：對(duì)參數(shù)（eps和minPts）的選擇較為敏感，參數(shù)選擇不當(dāng)會(huì)影響結(jié)果；對(duì)于密度差異很大的數(shù)據(jù)集，效果可能不理想；計(jì)算復(fù)雜度相對(duì)較高。優(yōu)勢(shì)選擇場(chǎng)景：在工業(yè)過(guò)程控制中，如果監(jiān)控的參數(shù)數(shù)據(jù)通常圍繞一個(gè)中心值波動(dòng)，偶爾出現(xiàn)孤立的、密度極低的異常事件（如瞬時(shí)設(shè)備過(guò)載、傳感器短暫故障），且數(shù)據(jù)大致符合正態(tài)分布或允許一定程度的偏離，那么基于統(tǒng)計(jì)的方法（如3-Sigma法則或基于中位數(shù)/IQR的方法）可能更簡(jiǎn)單有效，易于實(shí)現(xiàn)實(shí)時(shí)監(jiān)控和快速響應(yīng)。如果過(guò)程監(jiān)控涉及多個(gè)參數(shù)，參數(shù)間關(guān)系復(fù)雜，數(shù)據(jù)分布可能呈現(xiàn)多種模式，或者異常并非孤立的點(diǎn)，而是與某個(gè)局部密度的降低相關(guān)（如某個(gè)區(qū)域參數(shù)值普遍偏低可能表示局部故障），那么基于密度的方法（如DBSCAN）可能更具優(yōu)勢(shì)，能提供更豐富的結(jié)構(gòu)信息。三、考慮的異常檢測(cè)方法：我會(huì)考慮使用以下幾種方法：1.基于3-Sigma法則或IQR的監(jiān)控：對(duì)于穩(wěn)定運(yùn)行時(shí)數(shù)據(jù)大致對(duì)稱(chēng)分布的情況，這是一種快速、簡(jiǎn)單的實(shí)時(shí)監(jiān)控手段。可以設(shè)定上下限，一旦超出即觸發(fā)報(bào)警。2.基于孤立森林的檢測(cè)：孤立森林對(duì)于高維數(shù)據(jù)（化工過(guò)程參數(shù)通常較多）和區(qū)分孤立異常點(diǎn)效果好。可以定期運(yùn)行算法，識(shí)別出與正常數(shù)據(jù)模式差異大的異常樣本。3.基于移動(dòng)平均或指數(shù)平滑的方法：這些方法可以捕捉溫度的短期趨勢(shì)。如果溫度開(kāi)始持續(xù)偏離目標(biāo)值或出現(xiàn)快速上升/下降趨勢(shì)，即使未立即觸及絕對(duì)閾值，也可能預(yù)示異常，有助于提前預(yù)警。選擇考慮因素：*數(shù)據(jù)特性：溫度數(shù)據(jù)的分布形態(tài)（是否對(duì)稱(chēng)）、是否高維（是否與其他參數(shù)聯(lián)用）、數(shù)據(jù)獲取頻率（是否適合實(shí)時(shí)監(jiān)控）。*異常類(lèi)型：是孤立的突發(fā)異常還是持續(xù)的趨勢(shì)異常？異常的嚴(yán)重程度和發(fā)生頻率。*實(shí)時(shí)性要求：需要多快響應(yīng)？簡(jiǎn)單方法響應(yīng)快，復(fù)雜方法可能需要更多計(jì)算時(shí)間。*資源限制：硬件和軟件資源是否支持復(fù)雜算法。響應(yīng)機(jī)制：*低級(jí)別異常（如短暫偏離）：自動(dòng)記錄數(shù)據(jù)，短暫報(bào)警（如視覺(jué)或聲音提示），操作員確認(rèn)是否忽略。*中級(jí)異常（如持續(xù)偏離或輕微趨勢(shì)）：自動(dòng)記錄數(shù)據(jù)，持續(xù)報(bào)警，通知當(dāng)班操作員檢查，分析原因。*高級(jí)別異常（如嚴(yán)重偏離或快速趨勢(shì)，可能預(yù)示故障）：立即觸發(fā)停機(jī)保護(hù)程序（如果安全允許），強(qiáng)烈報(bào)警，自動(dòng)通知維護(hù)團(tuán)隊(duì)和主管，啟動(dòng)緊急處理預(yù)案。四、孤立森林（IsolationForest）算法的基本原理是利用隨機(jī)切分構(gòu)建多棵決策樹(shù)（iForest），然后通過(guò)測(cè)量數(shù)據(jù)點(diǎn)在這些樹(shù)中被孤立（即被分割到葉子節(jié)點(diǎn)）的難易程度來(lái)判斷其是否為異常。其特別適用于高維數(shù)據(jù)的異常檢測(cè)的原因在于：1.基于密度的思想：異常點(diǎn)通常在特征空間中是稀疏且遠(yuǎn)離密集簇的點(diǎn)。孤立森林通過(guò)隨機(jī)切分維度來(lái)“隔離”樣本，異常點(diǎn)更容易被孤立，即需要更少的切分次數(shù)就能將其分到獨(dú)立的葉子節(jié)點(diǎn)。2.平均路徑長(zhǎng)度：算法計(jì)算每個(gè)樣本在所有樹(shù)中的平均路徑長(zhǎng)度。異常點(diǎn)的平均路徑長(zhǎng)度通常比正常點(diǎn)要長(zhǎng)。這是一種衡量被隔離難易程度的有效指標(biāo)。3.維度災(zāi)難的緩解：算法在構(gòu)建每棵樹(shù)時(shí)，每次隨機(jī)選擇一個(gè)維度，然后在這個(gè)維度的中位數(shù)附近隨機(jī)選擇一個(gè)切分值。這種隨機(jī)性有助于減少高維空間中“維度災(zāi)難”帶來(lái)的影響，避免需要過(guò)多的切分才能覆蓋所有維度。在工業(yè)過(guò)程控制中的潛在應(yīng)用價(jià)值：工業(yè)過(guò)程監(jiān)控?cái)?shù)據(jù)往往包含大量傳感器參數(shù)（高維），這些參數(shù)共同描述了過(guò)程的運(yùn)行狀態(tài)。孤立森林能夠有效地從這些高維數(shù)據(jù)中識(shí)別出與正常操作模式顯著不同的異常狀態(tài)。例如，當(dāng)某個(gè)設(shè)備的多個(gè)傳感器讀數(shù)同時(shí)出現(xiàn)不尋常的、偏離正常模式的組合時(shí)，孤立森林可能將其識(shí)別為異常，這可能是早期故障的征兆。其無(wú)需預(yù)先指定異常閾值，能自適應(yīng)地發(fā)現(xiàn)異常模式，對(duì)于復(fù)雜、非線(xiàn)性的工業(yè)過(guò)程監(jiān)控具有很高的實(shí)用價(jià)值。五、除了識(shí)別異常點(diǎn)本身，異常檢測(cè)方法還能為工業(yè)過(guò)程改進(jìn)提供以下有價(jià)值的信息或支持：1.定位問(wèn)題根源：通過(guò)分析異常發(fā)生時(shí)的其他參數(shù)數(shù)據(jù)、操作日志或環(huán)境信息，可以追溯異常的原因。例如，檢測(cè)到溫度異常后，檢查燃料流量、壓力、閥門(mén)狀態(tài)等是否同步異常，有助于判斷是設(shè)備故障、操作失誤還是原料問(wèn)題。這種根因分析是過(guò)程優(yōu)化的基礎(chǔ)。2.揭示隱藏的運(yùn)行模式或變化：異常檢測(cè)有時(shí)能發(fā)現(xiàn)未被注意到的、偏離常規(guī)的操作模式或過(guò)程特性的緩慢變化（趨勢(shì)異常）。這些變化可能指示過(guò)程正在逐漸偏離最優(yōu)狀態(tài)或出現(xiàn)性能退化，即使它們尚未達(dá)到嚴(yán)重異常的程度。早期識(shí)別這些變化可以為預(yù)防性維護(hù)或工藝調(diào)整提供依據(jù)。3.評(píng)估控制策略有效性：在實(shí)施新的控制策略或參數(shù)調(diào)整后，可以通過(guò)監(jiān)控異常發(fā)生的頻率和類(lèi)型來(lái)判斷策略的效果。如果異常減少或異常的性質(zhì)發(fā)生了有利的變化，則說(shuō)明策略有效；反之，則需進(jìn)一步分析和調(diào)整。4.優(yōu)化工藝參數(shù)和操作規(guī)程：持續(xù)的異常模式可能暗示當(dāng)前的工藝設(shè)定值、操作窗口或維護(hù)計(jì)劃存在不足。通過(guò)分析異常發(fā)生的規(guī)律和原因，可以找到改進(jìn)工藝參數(shù)、縮窄操作范圍或制定更嚴(yán)格維護(hù)計(jì)劃的切入點(diǎn)，從而提高過(guò)程的穩(wěn)定性、產(chǎn)品質(zhì)量和效率。5.支持預(yù)測(cè)性維護(hù)：許多設(shè)備故障在發(fā)生前會(huì)表現(xiàn)出一系列異常的運(yùn)行數(shù)據(jù)。異常檢測(cè)可以作為預(yù)測(cè)性維護(hù)系統(tǒng)的核心組件，提前預(yù)警潛在故障，使維護(hù)活動(dòng)從被動(dòng)響應(yīng)轉(zhuǎn)變?yōu)橹鲃?dòng)預(yù)防，減少非計(jì)劃停機(jī)時(shí)間。六、評(píng)估異常檢測(cè)方法性能的常用指標(biāo)及其含義和意義：1.真陽(yáng)性率（TruePositiveRate,TPR），也稱(chēng)為敏感度（Sensitivity）：在所有實(shí)際為異常的數(shù)據(jù)點(diǎn)中，被正確檢測(cè)出的比例。TPR=TP/(TP+FN)。在工業(yè)過(guò)程控制中，高敏感度意味著能夠盡可能多地發(fā)現(xiàn)真實(shí)的異常情況，減少漏報(bào)（將嚴(yán)重問(wèn)題未能檢測(cè)到），這對(duì)于保障安全和生產(chǎn)連續(xù)性至關(guān)重要。例如，檢測(cè)設(shè)備即將發(fā)生的故障。2.真陰性率（TrueNegativeRate,TNR），也稱(chēng)為特異度（Specificity）：在所有實(shí)際為正常的數(shù)據(jù)點(diǎn)中，被正確識(shí)別為正常（未被誤報(bào)為異常）的比例。TNR=TN/(TN+FP)。在工業(yè)過(guò)程控制中，高特異度意味著能夠穩(wěn)定地識(shí)別出正常運(yùn)行狀態(tài)，減少誤報(bào)（將正常數(shù)據(jù)判為異常）。這避免了不必要的報(bào)警、人員干擾和生產(chǎn)中斷。例如，在穩(wěn)定的化工生產(chǎn)中，不應(yīng)因?yàn)檎５奈⑿〔▌?dòng)就頻繁報(bào)警。3.精確率（Precision）：在所有被檢測(cè)為異常的數(shù)據(jù)點(diǎn)中，實(shí)際為異常的比例。Precision=TP/(TP+FP)。精確率高表示檢測(cè)到的“異?！苯Y(jié)果中，真正有問(wèn)題的比例大。在誤報(bào)成本很高的情況下（如昂貴的停機(jī)），精確率很重要。例如，不希望因?yàn)閰?shù)輕微超出正常范圍就觸發(fā)停機(jī)。選擇指標(biāo)時(shí)需要考慮的因素：*異常的嚴(yán)重性和代價(jià)：誤報(bào)（FP）和漏報(bào)（FN）的代價(jià)是什么？如果漏報(bào)代價(jià)極高（如導(dǎo)致事故），則應(yīng)優(yōu)先提高敏感度（TPR）；如果誤報(bào)代價(jià)極高（如頻繁停機(jī)影響生產(chǎn)），則應(yīng)優(yōu)先提高特異度（TNR）和精確率。*數(shù)據(jù)不平衡性：工業(yè)數(shù)據(jù)中，正常數(shù)據(jù)通常遠(yuǎn)多于異常數(shù)據(jù)。這種不平衡性會(huì)影響TPR和TNR的計(jì)算。需要考慮使用平衡指標(biāo)（如F1分?jǐn)?shù)、F-beta分?jǐn)?shù)）或考慮所有類(lèi)別的指標(biāo)（如混淆矩陣）。*應(yīng)用目標(biāo)：監(jiān)控是為了早期預(yù)警還是最終診斷？是為了最大化生產(chǎn)效率還是保證絕對(duì)安全？不同的目標(biāo)可能對(duì)性能指標(biāo)有不同的側(cè)重。*檢測(cè)頻率和成本：實(shí)時(shí)性要求高的檢測(cè)可能成本更高，需要在性能和成本間做權(quán)衡。七、在將異常檢測(cè)方法應(yīng)用于工業(yè)過(guò)程控制時(shí)，數(shù)據(jù)預(yù)處理至關(guān)重要，因?yàn)樵紨?shù)據(jù)往往具有噪聲、缺失、不規(guī)整、尺度不一等問(wèn)題，直接使用可能導(dǎo)致異常檢測(cè)效果不佳甚至錯(cuò)誤。關(guān)鍵的數(shù)據(jù)預(yù)處理步驟：1.數(shù)據(jù)清洗：處理數(shù)據(jù)中的噪聲和錯(cuò)誤值。識(shí)別并修正或剔除明顯錯(cuò)誤的測(cè)量值（如超出物理可能范圍的值）。處理缺失值，可以使用插補(bǔ)方法（如均值插補(bǔ)、回歸插補(bǔ)、KNN插補(bǔ)）或直接刪除含有缺失值的樣本（需謹(jǐn)慎）。2.數(shù)據(jù)變換：縮放數(shù)據(jù)到統(tǒng)一尺度，消除不同參數(shù)量綱的影響。常用的方法有標(biāo)準(zhǔn)化（Z-scorenormalization，使數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1）和歸一化（Min-Maxscaling，將數(shù)據(jù)縮放到[0,1]或[-1,1]區(qū)間）。這對(duì)于基于距離的方法（如KNN,DBSCAN）和基于梯度下降的算法（如果后續(xù)有模型集成）尤為重要。3.處理缺失數(shù)據(jù)：如上所述，需要系統(tǒng)性地處理缺失值，選擇合適的策略以減少對(duì)分析結(jié)果的偏差。4.特征選擇與工程：可能需要從原始的眾多參數(shù)中篩選出與過(guò)程異常最相關(guān)的關(guān)鍵特征，以降低維度、減少噪聲干擾、提高模型效率。也可以創(chuàng)建新的、更有信息量的特征（如比率、差分、滯后項(xiàng)、rollingwindow統(tǒng)計(jì)量），捕捉數(shù)據(jù)的時(shí)序關(guān)系或非線(xiàn)性模式。5.異常值初步處理（可選）：在某些情況下，如果存在大量已知的、非過(guò)程相關(guān)的系統(tǒng)噪聲異常，可能需要在預(yù)處理階段進(jìn)行初步識(shí)別和處理（如剔除或用均值/中位數(shù)替換），但這需要非常小心，避免將這些非過(guò)程異常誤判為需要檢測(cè)的過(guò)程異常。這些步驟如何影響后續(xù)的異常檢測(cè)結(jié)果：*清洗可以去除干擾，使異常檢測(cè)方法更專(zhuān)注于過(guò)程相關(guān)的真實(shí)異常。*縮放統(tǒng)一了參數(shù)影響，使得基于距離或概率的方法能公平比較不同參數(shù)的異常程度。*處理缺失值和特征工程可以提取更有效的信息，幫助算法更好地識(shí)別復(fù)雜的異常模式。*不恰當(dāng)?shù)念A(yù)處理（如過(guò)度剔除數(shù)據(jù)或錯(cuò)誤處理缺失值）可能引入偏差，掩蓋真實(shí)的異常，或錯(cuò)誤地放大正常波動(dòng)，導(dǎo)致異常檢測(cè)效果變差，甚至產(chǎn)生假陽(yáng)性或假陰性。八、在工業(yè)過(guò)程監(jiān)控中，某個(gè)關(guān)鍵參數(shù)的異常可能預(yù)示著嚴(yán)重的設(shè)備故障，而誤報(bào)（將正常數(shù)據(jù)判為異常）會(huì)造成生產(chǎn)中斷、額外成本、人員疲勞等負(fù)面影響。因此，在選擇異常檢測(cè)方法時(shí)，必須權(quán)衡敏感度（Sensitivity,TPR）和特異度（Specificity,TNR）。權(quán)衡考慮：*敏感度vs.特異度：提高敏感度通常意味著放寬異常判斷的標(biāo)準(zhǔn)，會(huì)檢測(cè)