Presisi didefinisikan sebagai:
p = true positives / (true positives + false positives)
Apakah benar bahwa, sebagai true positives
dan false positives
pendekatan 0, presisi mendekati 1?
Pertanyaan yang sama untuk diingat:
r = true positives / (true positives + false negatives)
Saat ini saya sedang menerapkan tes statistik di mana saya perlu menghitung nilai-nilai ini, dan kadang-kadang terjadi bahwa penyebutnya 0, dan saya bertanya-tanya nilai mana yang akan dikembalikan untuk kasus ini.
PS: Maafkan tag yang tidak pantas, saya ingin menggunakan recall
, precision
dan limit
, tapi saya belum bisa membuat Tag baru.
precision-recall
data-visualization
logarithm
references
r
networks
data-visualization
standard-deviation
probability
binomial
negative-binomial
r
categorical-data
aggregation
plyr
survival
python
regression
r
t-test
bayesian
logistic
data-transformation
confidence-interval
t-test
interpretation
distributions
data-visualization
pca
genetics
r
finance
maximum
probability
standard-deviation
probability
r
information-theory
references
computational-statistics
computing
references
engineering-statistics
t-test
hypothesis-testing
independence
definition
r
censoring
negative-binomial
poisson-distribution
variance
mixed-model
correlation
intraclass-correlation
aggregation
interpretation
effect-size
hypothesis-testing
goodness-of-fit
normality-assumption
small-sample
distributions
regression
normality-assumption
t-test
anova
confidence-interval
z-statistic
finance
hypothesis-testing
mean
model-selection
information-geometry
bayesian
frequentist
terminology
type-i-and-ii-errors
cross-validation
smoothing
splines
data-transformation
normality-assumption
variance-stabilizing
r
spss
stata
python
correlation
logistic
logit
link-function
regression
predictor
pca
factor-analysis
r
bayesian
maximum-likelihood
mcmc
conditional-probability
statistical-significance
chi-squared
proportion
estimation
error
shrinkage
application
steins-phenomenon
Björn Pollex
sumber
sumber
Jawaban:
Diberikan matriks kebingungan:
kami tahu bahwa:
Mari kita perhatikan kasus-kasus di mana penyebutnya nol:
sumber
Jawabannya Ya. Kasus tepi yang tidak terdefinisi terjadi ketika true positive (TP) adalah 0 karena ini berada dalam penyebut P&R. Dalam kasus ini,
Ini adalah rumusan ulang dari komentar @ mbq.
sumber
Saya akrab dengan terminologi yang berbeda. Apa yang Anda sebut presisi saya akan nilai prediksi positif (PPV). Dan apa yang Anda panggil ingat saya sebut sensitivitas (Sens). :
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
Dalam kasus sensitivitas (recall), jika penyebutnya nol (seperti yang ditunjukkan Amro), tidak ada kasus positif, sehingga klasifikasi tidak ada artinya. (Itu tidak berhenti baik TP atau FN menjadi nol, yang akan menghasilkan sensitivitas membatasi 1 atau 0. Poin ini masing-masing di sudut kanan atas dan kiri bawah kurva ROC - TPR = 1 dan TPR = 0. )
Batas PPV sangat berarti. Dimungkinkan untuk cut-off tes ditetapkan begitu tinggi (atau rendah) sehingga semua kasus diprediksi negatif. Ini adalah asal dari kurva ROC. Nilai pembatas dari PPV tepat sebelum cutoff mencapai titik asal dapat diperkirakan dengan mempertimbangkan segmen terakhir dari kurva ROC tepat sebelum titik asal. (Ini mungkin lebih baik untuk model karena kurva ROC terkenal berisik.)
Sebagai contoh jika ada 100 positif aktual dan 100 negatif aktual dan bagian akhir dari kurva ROC mendekati dari TPR = 0,08, FPR = 0,02, maka PPV pembatasnya adalah PPR ~ 0,08 * 100 / (0,08 * 100 + 0,02 * 100 ) = 8/10 = 0,8 yaitu 80% kemungkinan menjadi positif sejati.
Dalam praktiknya masing-masing sampel diwakili oleh segmen pada kurva ROC - horizontal untuk negatif aktual dan vertikal untuk positif aktual. Seseorang dapat memperkirakan PPV pembatas dengan segmen terakhir sebelum asal, tetapi itu akan memberikan perkiraan PPV pembatas 1, 0 atau 0,5, tergantung pada apakah sampel terakhir adalah benar positif, positif salah (negatif sebenarnya) atau dibuat dari TP dan FP yang sama. Pendekatan pemodelan akan lebih baik, mungkin dengan asumsi data adalah binormal - asumsi umum, misalnya: http://mdm.sagepub.com/content/8/3/197.short
sumber
Itu akan tergantung pada apa yang Anda maksud dengan "pendekatan 0". Jika positif palsu dan negatif palsu keduanya mendekati nol pada tingkat yang lebih cepat daripada positif sejati, maka ya untuk kedua pertanyaan. Namun sebaliknya, belum tentu.
sumber