2019年7月2日 星期二

混淆矩陣之 Precision vs. NPV

上一篇談及《Sensitivity vs. Specificity》,主要是以實際有無為的數量當作分母來判斷檢測好不好。這篇談及的則是檢測出陰陽當作分母來判斷好壞。下面則是所使用到的混淆矩陣(Confusion Matrix):

真實情況
有, +無, -



陽性 Positive, P(真陽性, TP)(偽陽性, FP)(P=TP+FP)
陰性 Negative, N(偽陰性, FN)(真陰性, TN)(N=FN+TN)

上述表格裡面使用(小括號)圈起來的代表是要填寫自然數,裡面縮寫分別代表:
  • TP:True Positive、實際有且檢出為陽性
  • FP:False Positive偽陽性Type I error
  • TN:True Negative、實際無且檢出為陰性
  • FN:False Negative偽陰性Type II error
  • P = TP+FP:檢測出陽性的數量
  • N = TN+FN:檢測出陰性的數量

有了上述的confusion matrix,就可以計算出檢測的精確度與NPV,表格如下:

真實情況
有, +無, -



陽性 Positive, P(Precision)(FDR)
陰性 Negative, N(FOR)(NPV)

上述表格裡面使用(小括號)圈起來的代表是要填寫介於0-1之間的小數:
  • Precision = TP/P:精確度精密度又有下列的名稱
    Positive predictive value (PPV)
  • FDR = FP/P:False discovery rate
  • FOR = FN/N:False omission rate
  • NPV = TN/N:Negative predictive value

上述的都是以檢測出來的陰陽性為分母,故代表著檢測的精確程度:
  • Precision高:檢測出陽性的,實際有的比例高
  • NPV高:檢測出來是陰性的,實際無的比例高

參考資料

_EOF_

沒有留言:

張貼留言