2. Bayesin päätösteoria
2. Bayesin päätösteoria
2. Bayesin päätösteoria
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
42 / 99<br />
Jos oletetaan tietyllä etäisyydellä d’ sijaitsevat jakaumat ja muutellaan luokittelijan<br />
kynnysarvoa x* systemaattisesti, saadaan jokaisella asetuksella (aineisto läpiajamalla)<br />
yksi sensitiivisyys-spesifisyys-lukupari. Nämä lukuparit voidaan esittää<br />
koordinaattipisteinä koordinaatistossa, jossa vaaka-akselina on väärien hälytysten<br />
todennäköisyys (1-Spesifisyys) ja pystyakselina oikean hälytyksen todennäköisyys<br />
(Sensitiivisyys):<br />
Sensitiivisyys<br />
1-Spesifisyys<br />
Jokaisella d’-suureen arvolla saadaan erillinen käyrä, ROC-käyrä. Jos d’=0, jakaumat<br />
ovat täysin päällekkäisiä ja erottuvuus huonoin. Erottuvuus on sitä parempi,<br />
mitä lähempää käyrä menee vasenta ylänurkkaa. Tutkaesimerkissämme valittu x*kynnysarvo<br />
on johtanut osumaan täplän osoittamaan kohtaan. Vaihtelemalla kynnysarvoa,<br />
täplä liikkuisi pitkin käyrää d’=3.