2. Bayesin päätösteoria
2. Bayesin päätösteoria
2. Bayesin päätösteoria
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>2.</strong>7. Spesifisyys, sensitiivisyys, testin ennustearvo, ROC-käyrät<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
40 / 99<br />
Kaksiluokkaisessa ongelmassa on usein hyödyllistä tarkastella spesifisyyttä ja sensitiivisyyttä,<br />
jotka kuvastavat luokittelijan kykyä erotella luokat toisistaan. Tarkastellaan<br />
esimerkkinä hiihtäjien doping-testausta, jossa tavoitteena on erottaa<br />
dopingia käyttäneet. Seuraava nelikenttä kuvastaa minkä verran hiihtäjiä luokittelija<br />
on luokitellut oikein ja väärin:<br />
Sensitiivisyys:<br />
Spesifisyys:<br />
Test<br />
positive<br />
Test<br />
negative<br />
Sensitivity<br />
Specificity<br />
Positiivisen testin ennustearvo:<br />
Negatiivisen testin ennustearvo:<br />
Doping<br />
present<br />
Predictive value of positive test<br />
True<br />
positives<br />
False<br />
negatives<br />
Predictive value of negative test =<br />
=<br />
=<br />
Doping<br />
absent<br />
False<br />
positives<br />
True<br />
negatives<br />
----------------------------------------------------------------------------<br />
True positives<br />
True positives + False negatives<br />
True negatives<br />
----------------------------------------------------------------------------<br />
True negatives + False positives<br />
=<br />
---------------------------------------------------------------------------<br />
True positives<br />
True positives + False positives<br />
-----------------------------------------------------------------------------<br />
True negatives<br />
True negatives + False negatives