Wat is Specificity?

Wat is specificity eigenlijk?

Stel je voor: je hebt een beveiligingscamera met AI die moet herkennen of er een inbreker bij je voordeur staat. Die camera geeft duizenden keren per dag alarm — bij elke postbode, kat, waaiende struik. Dat is vervelend, want bijna al die alarmen zijn vals. Specificity meet precies dit: hoe goed herkent het systeem wanneer er geen inbreker is?

In technische termen: specificity is het percentage van de échte negatieven (geen inbreker) dat het model correct als negatief classificeert. Hoe hoger de specificity, hoe minder valse alarmen.

Hoe werkt het eigenlijk?

Bij elke AI die iets moet herkennen — of het nu spam is, een ziekte op een röntgenfoto, of frauduleuze transacties — maakt het model twee soorten fouten:

• Het kan iets missen dat er wel is (vals negatief)

• Het kan alarm slaan terwijl er niks aan de hand is (vals positief)

Specificity focust op die tweede categorie. De formule is simpel: van alle gevallen waar het antwoord 'nee' had moeten zijn, hoeveel heeft het model er correct als 'nee' geïdentificeerd?

Een voorbeeld: een model screent 1000 e-mails. Van de 900 normale mails herkent het er 850 correct als 'niet-spam'. Dan is de specificity 850/900 = 94%. De overige 50 normale mails werden ten onrechte als spam gelabeld.

Waarom is dit belangrijk?

Specificity is cruciaal wanneer valse alarmen een groot probleem zijn:

• Medische diagnostiek: stel dat een AI zegt dat je ziek bent terwijl dat niet zo is — dat leidt tot onnodige stress, vervolgonderzoeken en behandelingen

• Fraudedetectie: als een betalingssysteem te vaak legitieme transacties blokkeert, raken klanten gefrustreerd

• Contentmoderatie: als een platform te agressief normale berichten als 'schadelijk' markeert, voelen gebruikers zich gecensureerd

Specificity wordt vaak samen met sensitivity (of recall) bekeken — die meet juist hoe goed het model de échte positieve gevallen vindt. Het is een balans: verhoog je de specificity (minder valse alarmen), dan mis je misschien wel meer échte gevallen. Verlaag je de drempel (meer alarmen), dan stijgt sensitivity maar daalt specificity.

Een voorbeeld uit de praktijk

Een online bank gebruikt AI om creditcardtransacties te screenen op fraude. Het model heeft een specificity van 99,5% — van de 10.000 normale transacties per dag herkent het er 9.950 correct als legitiem. De overige 50 worden ten onrechte geblokkeerd, wat betekent dat ongeveer 50 klanten per dag even moeten bellen om hun kaart te deblokkeren.

Dat klinkt misschien vervelend, maar bij fraudedetectie is dit vaak acceptabel: de schade van gemiste fraude (lage sensitivity) zou groter zijn. Bij andere toepassingen — bijvoorbeeld een spam-filter — wil je juist héél hoge specificity, want een gemiste belangrijke mail in je spam-folder is ernstiger dan een spam-mail in je inbox.

Waar kom je het tegen?

Specificity wordt vooral gebruikt bij:

• Classificatiemodellen voor medische diagnostiek (kankerdetectie, COVID-19 screening)

• Fraudedetectie-systemen bij banken en verzekeringsmaatschappijen

• Spam-filters en contentmoderatie-tools op sociale media

• Beveiligingssystemen zoals gezichtsherkenning voor toegangscontrole

• Kwaliteitscontrole in productie (defecte producten herkennen)

In tools als scikit-learn, TensorFlow en PyTorch kun je specificity berekenen als onderdeel van je model-evaluatie. Ook in A/B-testing-platforms en monitoring-dashboards voor AI-systemen zie je deze metric vaak terug.

Wat kun je ermee?

Als je een AI-systeem inzet of beoordeelt, vraag dan niet alleen naar de algemene nauwkeurigheid. Vraag specifiek: wat is de specificity? Hoeveel valse alarmen produceert dit?

Bij hoge specificity weet je dat het systeem conservatief is — het roept niet te snel 'probleem'. Bij lage specificity krijg je veel ruis. Afhankelijk van je use case kies je bewust voor een bepaalde balans tussen specificity en sensitivity. Die keuze maakt het verschil tussen een bruikbaar en een frustrerend systeem.