ROC评分中概念之阳性预测值/阴性预测值计算方法

Posted Tina姐

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ROC评分中概念之阳性预测值/阴性预测值计算方法相关的知识,希望对你有一定的参考价值。

几个概念对应的英文

阳性:positive = P

阴性:negative = N

真阳性: true positive = TP

假阳性:false positive = FP

 

真阴性: true negative = TN

假阴性:false negative= FN

阳性预测值 = 真阳性例数 / (真阳性例数 + 假阳性例数)= TP / (TP + FP)

实际上就是在说:预测出来的所有阳性中,有多少是真阳性

阴性预测值 = 真阴性例数 / (真阴性例数 + 假阴性例数)= TN / (TN + FN)

 

特别的,灵敏度 = 真阳性人数 /(真阳性人数 + 假阴性人数)= TP / (TP + FN)

实际上就是在说:金标准所有阳性中,有多少被检出来的

特异度 = 真阴性人数 /(真阴性人数 + 假阳性人数)= TN / (TN + FP)

 

其中,金标准作为阴性阳性的判定标准

 

金标准和某检测方法的对比如下:

 

阳性预测值 = A / (A + C)

阴性预测值 = D / (D + B)

灵敏度 = A / (A + B)

特异度 = D / (C + D)

 

坚持已实践为主,手把手带你做项目,打比赛,写论文。凡原创文章皆提供理论讲解,实验代码,实验数据。只有实践才能成长的更快,关注我们,一起成长进步~

 

 

 

 

以上是关于ROC评分中概念之阳性预测值/阴性预测值计算方法的主要内容,如果未能解决你的问题,请参考以下文章

机器学习之roc曲线

AUC与ROC

生信代码:机器学习-模型评价

机器学习中的性能指标:精度召回率,PR曲线,ROC曲线和AUC,及示例代码

机器学习中的性能指标:精度召回率,PR曲线,ROC曲线和AUC,及示例代码

机器学习中的性能指标:精度召回率,PR曲线,ROC曲线和AUC,及示例代码