2. Bayesin päätösteoria

More documents

Recommendations

Info

<strong>2.</strong>7. Spesifisyys, sensitiivisyys, testin ennustearvo, ROC-käyrät Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS 40 / 99 Kaksiluokkaisessa ongelmassa on usein hyödyllistä tarkastella spesifisyyttä ja sensitiivisyyttä, jotka kuvastavat luokittelijan kykyä erotella luokat toisistaan. Tarkastellaan esimerkkinä hiihtäjien doping-testausta, jossa tavoitteena on erottaa dopingia käyttäneet. Seuraava nelikenttä kuvastaa minkä verran hiihtäjiä luokittelija on luokitellut oikein ja väärin: Sensitiivisyys: Spesifisyys: Test positive Test negative Sensitivity Specificity Positiivisen testin ennustearvo: Negatiivisen testin ennustearvo: Doping present Predictive value of positive test True positives False negatives Predictive value of negative test = = = Doping absent False positives True negatives ---------------------------------------------------------------------------- True positives True positives + False negatives True negatives ---------------------------------------------------------------------------- True negatives + False positives = --------------------------------------------------------------------------- True positives True positives + False positives ----------------------------------------------------------------------------- True negatives True negatives + False negatives
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS 41 / 99 Voidaan käyttää myös seuraavia nimikkeitä kentille: • oikea hälytys (hit): true positives, TP • väärä hälytys (false alarm): false positives, FP • väärä hylkäys (miss): false negatives, FN • oikea hylkäys (correct rejection): true negatives, TN Tarkastellaan tilannetta, jossa käytetään vain yhtä piirrettä. Oletetaan, että jakaumat ovat osittain päällekkäiset kuten kuvassa (esittää tutkapulssin ilmaisemista vastaanotetun signaalin amplitudimittauksella): TN FN Kuvaan on piirretty päälle edellä esitetyn nelikentän mukaiset merkinnät (TP, FP, TN, FN), joille on näin saatu geometriset tulkinnat. Kun kynnysarvo x* (päätöspinta) on kiinnitetty, sensitiivisyys ja spesifisyys saadaan laskettua helposti luokittelutuloksista kun tapausten luokat tunnetaan. Luokkien erottuvuuden mittana voidaan käyttää suuretta: d' µ 2 – µ 1 = -------------------σ , joka ilmaisee Gaussisesti jakautuneiden luokkien keskipisteiden välisen etäisyyden (yhteisen) keskihajonnan monikertana. Mitä suurempi d’ on, sitä paremmin luokat erottuvat toisistaan ja luokittelija suoriutuu hyvällä suorituskyvyllä. TP FP
Page 1 and 2: 2. Bayesin päätösteoria 2.1. Joh
Page 3 and 4: Oulun yliopisto, Hahmontunnistus ja
Page 5 and 6: 2.2. Bayesin päätösteoria - jatk
Page 11 and 12: 2.4. Normaalijakauma Oulun yliopist
Page 15 and 16: 2.5. Diskriminanttifunktioita norma
Page 19 and 20: Mikäli prioritodennäköisyydet ov
Page 21 and 22: Vastaavalla tavalla kuin edellisess
Page 25 and 26: Allaolevassa kuvassa pyritään ero
Page 27: Oulun yliopisto, Hahmontunnistus ja
Page 31 and 32: Kuvasta tehdään tärkeä havainto
Page 35 and 36: 3) Vakiotermien siirtäminen summal
Page 37 and 38: = = ∑ P( h) = P( e, f, g, h) e, f
Page 39 and 40: a 1 = talvi a 2 = kevät a 3 = kes
Page 41: saadaan, että α=1/0,18 , P(x 1|c

2. Bayesin päätösteoria

Create successful ePaper yourself

Delete template?

Save as template?