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, -
預 測 結 果	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, -
預 測 結 果	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

• 《Confusion matrix》
• 《測試結果呈虛假的反應》
• 《靈敏度和特異度》：Sensitivity and Specificity
• 《Precision and recall》：比較Sensitivity與Precision的比較
• 《Positive and negative predictive values》：看Worked example

_EOF_