联合检查roc

roc曲线检验方向相反，是检验结果错误造成的。AUC(20191216)首先，维基百科对TypeI/IIError的解释如下:type errorhereejectionfatruenl hypothesis(alsownsafalpassivefining)。

I诊断试验[I]研究项目目的了解b超在肝硬化诊断中的临床价值。每组需要少量患者进行预试验:b超对肝硬化的诊断约为:P敏感性为0.75；P特异性0.55公式:诊断测试例数公式n (u α/δ) 2 (1p) P参数:(1)μα:α0.05μαzα/21.960υμβ:β0.20本计算涉及μβυδ:判断阈值由研究者根据预试或文献综述确定，预试的敏感性或特异性为1/5 ~ 1/10。

我们倾向于使用准确性，是因为我们熟悉它的定义，而不是因为它是评估模型的最佳工具！精度(precision)和召回率(recall)等指标是衡量机器学习模型性能的非常基本的指标，尤其是在不平衡数据集的情况下，这些概念在周志华教授的《西瓜书》中有详细介绍。为分类任务选择正确的方法。如果有人声称自己创造了一个模型，可以识别登上飞机的恐怖分子，而且准确率高达99%。

嗯，有一个模型:所有从美国机场起飞的乘客都被简单地标记为非恐怖分子。已知美国全年平均有8亿乘客，2000-2017年发现19名恐怖分子。这个模型达到了近乎完美的99%的准确率。%.这听起来确实令人印象深刻，但我怀疑美国国土安全部在不久的将来会购买这种型号。虽然这个模型有近乎完美的精度，但在这个问题上，精度显然不是一个合适的衡量标准。

(20191216)首先，维基百科对TypeI/IIError的解释是:typeerrhereejectionfatruenhypothesis(作为隐私定义的结果现在也ok)，I类错误是拒绝真的nullhypothesitypeiierrrisfringtorejectafalsenhypothesis(也叫knownafasafalsengating). 1 power。

这里我介绍两个数据分析的评价指标，F1score和ROC曲线。在介绍F1score和ROC曲线之前，我们首先要了解以下几个概念:什么是混淆矩阵？我们来看下图:注意上图中，蓝点为正，红点为负。一般来说，从医学的角度来说，阳性代表有病或者病毒，阴性代表正常。上述模型中有多少真阳性、真阴性、假阳性和假阴性？

我们来学习一个衡量模型性能的方法，精度。准确度如何？我们继续引用上图。准确率是图表所有数据中正确分类的点数，是正确分类的点数占总点数的比率。数学公式是正确分类精度的点数/总点数。上图中，正确的分类是真正(6) 真负(5)11；总点数为14，上图准确率为11/140.7857。在知道准确率之前，我们先来看看下面这张医学预测图:准确率的定义是所有预测的阳性点有多少是真阳性？

未选择检查结果。在探索性分析中，我们知道糖尿病组的成纤维细胞生长因子-21的值大于正常组，所以选项中的TestDirection选择较大的检测结果表示更阳性的检测，即较大的检测结果表示阳性诊断，正是因为这一点，ROC曲线出现反转。