ROC曲線とは何か、アニメーションで理解する。 - Qiita
なので、水色の面積(真陽性：病気の人を「病気」と判断)をなるべく大きくして、緑の面積（偽陽性：健康な人を「病気」と判断してしまう）を小さくすると、識別の性能が高いと言えます。 以上のデータからROC曲線を描くと下記のグラフになります。 これがどういうものかを、次項より説明していきます。 また、今回識別境界をx=27においていますが、これが良い境界であることは最初のグラフの２つの分布を引き算したグラフを描いてみるとわかります。正しい判定（水色面積：病気の人を病気と判断）を増やし、誤った判断（健康な人を病気と判断）を少なくするので、水色の面積は＋、緑色の面積はーとなります。水色から緑を引いた曲線を描き、左から順に識別境界を右にずらして考えると、x=27のところより右はマイナスにしかならないので、面積が最大のところは下記のとおりx=27のところということがわかります。 2. ROC曲線の書き方
統計学入門−第9章
感度： (95％信頼区間：0.55-0.997) 特異度： (95％信頼区間：0.60-0.98) 正診率： (95％信頼区間：0.69-0.97) 陽性尤度比： (95％信頼区間：1.83-24.93) 陰性尤度比： (95％信頼区間：0.02-0.75) 陽性予測値： (95％信頼区間：0.55-0.94) 陰性予測値： (95％信頼区間：0.67-0.99) ※正診率と陽性予測値・陰性予測値は表9.2.2のデータが動脈硬化症の一般的な有病率を反映していると仮定して計算した値 陽性尤度比は疾患群の検査結果が陽性になる確率つまり真陽性確率(感度)と、正常群の検査結果が陽性になる確率つまり偽陽性確率(1−特異度)の比です。 陰性尤度比は疾患群の検査結果が陰性になる確率つまり偽陰性確率(1−感度)と、正常群の検査結果が陰性になる確率つまり真陰性確率(特異度)の比です。 感度と特異度が大きいと
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
