接收器操作特性(ROC)曲线或分类器输出的其他性能曲线
加载示例数据。
加载fisheriris
只使用前两个特性作为预测变量。定义一个二元分类问题,仅使用与品种versicolor和virginica对应的测量值。
pred =量(51:结束,1:2);
定义二进制响应变量。
resp =(1:100)'> 50;% vericcolor = 0, virginica = 1
拟合逻辑回归模型。
mdl = fitglm (pred职责,“分布”,“二”,“链接”,分对数的);
计算ROC曲线。使用逻辑回归模型的概率估计作为分数。
成绩= mdl.Fitted.Probability;(X, Y, T, AUC) = perfcurve(物种(51:,:),分数,'virginica');
灌注
存储数组中的阈值T
.
显示曲线下的面积。
AUC
AUC = 0.7918
曲线下的面积是0.7918。最大AUC为1,对应一个完美分类器。AUC值越大表示分类器性能越好。
绘制ROC曲线。
情节(X, Y)包含(的假阳性率) ylabel ('真正的阳性率')标题(“ROC的分类Logistic回归”)
加载示例数据。
加载电离层
X
是一个351x34的预测值实值矩阵。Y
是类标签的字符数组:“b”
因为雷达信号不好‘g’
良好的雷达返回。
重新格式化响应以适应逻辑回归。使用预测变量3到34。
resp = strcmp (Y,“b”);% rep = 1,如果Y = 'b',如果Y = 'g',则返回0pred = X (: 34);
拟合逻辑回归模型来估计雷达返回差的后验概率。
mdl = fitglm (pred职责,“分布”,“二”,“链接”,分对数的);score_log = mdl.Fitted.Probability;%概率估计
使用分数的概率计算标准的ROC曲线。
[xlog,ylog,tlog,auclog] = perfcurve(resp,score_log,“真正的”);
在同一样本数据上训练SVM分类器。标准化数据。
mdlSVM = fitcsvm (pred职责,'标准化',真正的);
计算后验概率(分数)。
mdlsvm = fitposterior(mdlsvm);[〜,score_svm] = ResubPredict(MDLSVM);
第二列score_svm
包含错误的雷达回波的后验概率。
使用支持向量机模型的分数计算标准ROC曲线。
[Xsvm, Ysvm Tsvm AUCsvm] = perfcurve(职责,score_svm (:, mdlSVM.ClassNames),“真正的”);
在同一样本数据上拟合朴素贝叶斯分类器。
mdlNB = fitcnb (pred、职责);
计算后验概率(分数)。
[〜,score_nb] = resubPredict(mdlNB);
使用朴素贝叶斯分类的分数计算标准ROC曲线。
[xnb,ynb,tnb,aucnb] = perfcurve(resp,score_nb(:,mdlnb.classnames),“真正的”);
在同一个图上绘制ROC曲线。
情节(Xlog Ylog)在情节(Xsvm Ysvm)情节(Xnb Ynb)传说(逻辑回归的,“万博1manbetx支持向量机”,“天真的贝叶斯,“位置”,“最佳”)包含(的假阳性率);ylabel ('真正的阳性率');标题(用于Logistic回归、支持向量机和朴素贝叶斯分类的ROC曲线)举行离开
尽管SVM更高的门槛产生更好的ROC值,回归平常更好地区别于好的坏的雷达回波是。对于朴素贝叶斯ROC曲线是通常比其他两个ROC曲线,其指示样品中的性能比其它两种分类方法更差低。
比较所有三个分类器的曲线下的区域。
AUClog
AUClog = 0.9659
AUCsvm
AUCsvm = 0.9489
AUCnb
AUCnb = 0.9393
Logistic回归的AUC值最高,朴素贝叶斯的AUC值最低。这一结果表明,logistic回归对该样本数据具有更好的样本内平均性能。
这个例子展示了如何使用ROC曲线在分类器中为自定义核函数确定更好的参数值。
在单位圆内生成一组随机点。
rng (1);重复性的%n = 100;%每象限的点数r1 =√兰特(2 * n, 1));%随机半径t1 =[π/ 2 *兰德(n, 1);(π/ 2 *兰德(n - 1) +π)];% Q1和Q3的随机角度X1 = [r1.*cos(t1) r1.*sin(t1)];% Polar-to-Cartesian转换r2 =√兰特(2 * n, 1));t2 =[π/ 2 *兰德(n, 1) +π/ 2;(π/ 2 *兰德(n, 1) -π/ 2)];%随机的角度为Q2和Q4X2 = [R2 * COS(T2)R2 * SIN(T2)。。];
定义预测变量。在第一和第三象限的标记点属于正类,而在第二和第四象限的标记点属于负类。
pred = [X1;X2);resp = 1 (4 * n, 1);rep (2*n + 1:end) = -1; / /结束%的标签
创建函数mysigmoid.m
,它接受特征空间中的两个矩阵作为输入,并使用s形核将其转换为Gram矩阵。
函数G = mysigmoid (U, V)斜率伽马和拦截c%sigmoid内核函数γ= 1;c = 1;n = U*V' + c;结束
使用s形核函数训练SVM分类器。将数据标准化是一个很好的做法。
SVMModel1 = fitcsvm (pred职责,“KernelFunction”,“mysigmoid”,...'标准化',真正的);SVMModel1 = fitPosterior (SVMModel1);[~, scores1] = resubPredict (SVMModel1);
放伽马= 0.5
;之内mysigmoid.m
并保存为mysigmoid2.m
.并使用调整后的s形核训练SVM分类器。
函数G = mysigmoid2(U,V)斜率伽马和拦截c%sigmoid内核函数伽马= 0.5;c = 1;n = U*V' + c;结束
SVMModel2 = fitcsvm (pred职责,“KernelFunction”,“mysigmoid2”,...'标准化',真正的);SVMModel2 = fitPosterior (SVMModel2);[~, scores2] = resubPredict (SVMModel2);
计算两种模型的ROC曲线和曲线下面积(AUC)。
~ (x1, y1, auc1] = perfcurve(职责,scores1 (:, 2), 1);[x2, y2, ~, auc2] = perfcurve(职责,scores2 (:, 2), 1);
绘制ROC曲线。
绘图(X1,Y1)保持在图(x2,y2)保持离开传奇(“γ= 1”,'伽玛= 0.5',“位置”,“本身”);Xlabel(的假阳性率);ylabel ('真正的阳性率');标题('通过SVM进行分类的ROC');
使用伽马参数设置为0.5的内核函数提供更好的样本结果。
比较AUC措施。
auc1 auc2
Auc1 = 0.9518 auc2 = 0.9985
gamma设置为0.5的曲线下面积比gamma设置为1的曲线下面积高。这也证实了gamma参数值为0.5会产生更好的结果。对于这两个gamma参数值的分类性能的视觉比较,请参见使用自定义内核列车SVM分类器.
加载示例数据。
加载fisheriris
列向量,物种
,由三种不同种类的鸢尾花组成:蔷薇花(setosa)、花斑花(versicolor)、小virginia。双矩阵测定
由花上的四种测量值组成:萼片长度,萼片宽度,花瓣长度和花瓣宽度。所有测量单位都是厘米。
以萼片长度和宽度作为预测变量,训练分类树。指定类名是一个很好的实践。
模型= fitctree(量(:,1:2),物种,...“类名”,{'setosa',“多色的”,'virginica'});
根据树预测物种的类标签和分数模型
.
[~,分数]= resubPredict(模型);
分数是一个观察(数据矩阵中的一行)属于一个类的后验概率。的列分数
对应于由指定的类“类名”
.第一列对应setosa,第二列对应versicolor,第三列对应virginica。
给定真实的类别标签,计算观测属于versicolor的预测的ROC曲线物种
.也计算最佳工作点和y负子类的值。返回负类的名称。
因为这是一个多字符问题,你不能仅仅是供应(得分:2)
作为输入,灌注
.这样做不会放弃灌注
关于两个负类(setosa和virginica)的分数的足够信息。这个问题不像二元分类问题,在二元分类中,知道一个类的分数就足以决定另一个类的分数。因此,你必须提供灌注
这个函数将两个负类的分数考虑在内。其中一个函数是
.
diffscore =分数(:,2) - 最大(评分(:,1),评分(:,3));[X,Y,T,〜,OPTROCPT,suby,子名] = perfcurve(物种,diffscore,“多色的”);
X
,默认为假阳性率(辐射或1-特异性)和Y
,默认为真实阳性率(召回率或灵敏度)。正class的标签是多色的
.因为负类没有定义,灌注
假设不属于正类的观察结果属于一类。函数接受它作为负类。
OPTROCPT
Optrocpt =1×20.1000 0.8000.
suby
suby =12×200 0.1800 0.1800 0.4800 0.4800 0.5800 0.5800 0.6200 0.8000 0.8000 0.8800 0.8800 0.9200 0.9200 0.9200 0.9600 0.9600 0.9800 0.9800⋮
subnames
subnames =1 x2单元格{' setosa} {' virginica '}
绘制ROC曲线和ROC曲线上的最佳操作点。
绘图(x,y)持有在情节(OPTROCPT (1) OPTROCPT (2),'ro')包含(的假阳性率) ylabel ('真正的阳性率')标题(“分类树分类的ROC曲线”)举行离开
找出与最佳工作点对应的阈值。
T ((X = = OPTROCPT (1) & (Y = = OPTROCPT (2)))
ans = 0.2857
指定virginica
为负类,计算并绘制ROC曲线多色的
.
同样,你必须提供灌注
与一个函数,在负类的得分因素。一个函数来使用的一个例子是
.
Diffscore = score(:,2) - score(:,3);[X, Y, ~, ~, OPTROCPT] = perfcurve(物种,diffscore,“多色的”,...“negClass”,'virginica');OPTROCPT
Optrocpt =1×20.1800 - 0.8200
人物,情节(X, Y)在情节(OPTROCPT (1) OPTROCPT (2),'ro')包含(的假阳性率) ylabel ('真正的阳性率')标题(“分类树分类的ROC曲线”)举行离开
加载示例数据。
加载fisheriris
列向量物种
由三个不同品种的花菖蒲:setosa,云芝,弗吉尼亚。双矩阵测定
由花上的四种测量值组成:萼片长度,萼片宽度,花瓣长度和花瓣宽度。所有测量单位都是厘米。
只使用前两个特性作为预测变量。定义一个二元问题,只使用对应于花斑和弗吉尼亚物种的测量值。
pred =量(51:结束,1:2);
定义二进制响应变量。
resp =(1:100)'> 50;% vericcolor = 0, virginica = 1
拟合逻辑回归模型。
mdl = fitglm (pred职责,“分布”,“二”,“链接”,分对数的);
通过垂直平均(VA)和bootstrap抽样计算真阳性率(TPR)的点态置信区间。
[X, Y, T] = perfcurve(物种(51:,:),mdl.Fitted.Probability,...'virginica',“NBoot”, 1000,'xvals'[0:0.05:1]);
“NBoot”,1000年
将引导副本的数量设置为1000。“XVals”、“所有”
提示灌注
返回X
,Y
, 和T
值的所有分数,并平均Y
值(真阳性率)X
值(假阳性率)使用垂直平均。如果没有指定XVals
, 然后灌注
默认情况下使用阈值平均计算置信边界。
绘制点态置信区间。
errorbar(X,Y(:,1),Y(:,1)-Y(:,2),Y(:,3)-Y(:,1));xlim ([-0.02, 1.02]);ylim ([-0.02, 1.02]);Xlabel(的假阳性率) ylabel ('真正的阳性率')标题(“具有点态置信界限的ROC曲线”)传说(“PCBwVA”,“位置”,“最佳”)
可能并不总是能够控制假阳性率(FPR, theX
在该示例中的值)。所以,你可能要计算的真阳性率(TPR)的门槛平均逐点置信区间。
(X1, Y1, T1) = perfcurve(物种(51:,:),mdl.Fitted.Probability,...'virginica',“NBoot”,1000);
如果你设置“TVals”
来“所有”
,或者您没有指定“TVals”
或'Xvals'
, 然后灌注
返回X
,Y
, 和T
的值,并计算逐点置信边界X
和Y
使用阈值平均值。
画出置信限。
图()errorbar (X1 (: 1), Y1(: 1),日元(:1)日元(:,2),日元(:,3)日元(:1));xlim ([-0.02, 1.02]);ylim ([-0.02, 1.02]);Xlabel(的假阳性率) ylabel ('真正的阳性率')标题(“具有点态置信界限的ROC曲线”)传说(“PCBwTA”,“位置”,“最佳”)
指定要固定的阈值并计算ROC曲线。然后画出曲线。
(X1, Y1, T1) = perfcurve(物种(51:,:),mdl.Fitted.Probability,...'virginica',“NBoot”, 1000,“TVals”, 0:0.05:1);图()errorbar (X1 (: 1), Y1(: 1),日元(:1)日元(:,2),日元(:,3)日元(:1));xlim ([-0.02, 1.02]);ylim ([-0.02, 1.02]);Xlabel(的假阳性率) ylabel ('真正的阳性率')标题(“具有点态置信界限的ROC曲线”)传说(“PCBwTA”,“位置”,“最佳”)
标签
- - - - - -真正的类标签真正的类标签,指定为数字向量、逻辑向量、字符矩阵、字符串数组、字符向量的单元格数组或类别数组。有关更多信息,请参见分组变量.
例子:{“嗨”,“中”,“你好”,“低”,…,“中期”}
例子:['h','m','h','l',......,'m']
数据类型:单
|双
|逻辑
|char
|字符串
|细胞
|分类
分数
- - - - - -由分类器返回的分数由分类器为一些样本数据返回的分数,指定为浮点向量。分数
必须有相同数量的元素标签
.
数据类型:单
|双
posclass
- - - - - -正类标签正类标号,指定为数字标量、逻辑标量、字符向量、字符串标量、包含字符向量的单元格或类别标量。正类必须是输入标签的成员。的价值posclass
可以指定的值取决于标签
.
标签 价值 |
posclass 价值 |
---|---|
数值向量 | 数字标量 |
逻辑矢量 | 逻辑标量 |
字符矩阵 | 特征向量 |
字符串数组 | 字符串标量 |
字符向量的单元格数组 | 字符向量或含有字符向量单元的 |
分类向量 | 绝对标量 |
例如,在一个癌症诊断问题中,如果恶性肿瘤是阳性的类别,则指定posclass
作为“恶性”
.
数据类型:单
|双
|逻辑
|char
|字符串
|细胞
|分类
指定可选的逗号分隔的对名称,值
参数。的名字
是参数的名称和价值
为对应值。的名字
必须出现引号内。您可以按照任何顺序指定多个名称和值对参数Name1, Value1,…,的家
.
'NegClass', '云芝', 'XCrit', 'FN', 'NBOOT',1000 'BootType', '每'
指定物种versicolor为阴性类,x坐标标准为假阴性,bootstrap样本数量为1000。它还指定使用百分位数方法计算点态置信界限。
“NegClass”
- - - - - -消极类的列表'全部'
(默认)|数字数组|分类数组|字符串数组|字符向量的单元格数组负类列表,指定为逗号分隔对,由“NegClass”
,以及数字数组、类别数组、字符串数组或字符向量单元格数组。默认情况下,灌注
集NegClass
来'全部'
并将标签输入数组中的所有非正数类视为负数。
如果NegClass
是类的子集标签的输入阵列中找到,则灌注
丢弃具有不属于正或负类的标签的实例。
例子:'negclass',{versicolor','setosa'}
数据类型:单
|双
|分类
|char
|字符串
|细胞
“XCrit”
- - - - - -计算准则X
“玻璃钢”
(默认)|“fnr”
|“tnr”
|ppv的
|“ecost”
|……计算准则X
,指定为逗号分隔的配对组成“XCrit”
下面是其中之一。
标准 | 描述 |
---|---|
tp |
真阳性实例的数量 |
FN |
错误否定的实例数。 |
FP. |
误报次数。 |
tn |
真实否定的实例数。 |
tp + fp |
真阳性和假阳性实例的总和。 |
齿槽 |
积极预测的比率。齿槽= (tp + fp) / (tp + fn + fp + tn) |
rnp |
消极预测的比率。rnp = (tn + fn) / (tp + fn + fp + tn) |
所以他们的 |
准确性。ACCU =(TP + TN)/(TP + FN + FP + TN) |
tpr ,或sens ,或reca |
真实阳性率、灵敏度或回忆率。Tpr = sens = reca = tp/(tp+fn) |
FNR ,或错过 |
假阴性率,或误。FNR = miss = fn/(tp+fn) |
FPR. ,或秋天 |
假阳性率,放射性沉降,或1 -特异性。FPR = FALL = FP /(TN + FP) |
tnr ,或规范 |
真阴性率,或特异性。TNR = spec = tn/(tn+fp) |
ppv ,或前的 |
阳性预测值,或精度。PPV = prec = tp/(tp+fp) |
净现值 |
消极的预测价值。净现值= tn / (tn + fn) |
ecost |
预期成本。ecost = (tp *成本(P | P) + fn *成本(N | P) + fp *成本(P | N) + tn *成本(N | N)) / (tp + fn + fp + tn) |
自定义标准 | 带有输入参数的自定义函数(C,规模,成本) ,在那里C 是一个2 × 2矩阵,规模 是一个2×1阵列类秤,和成本 是一个2×2错误分类成本矩阵。 |
谨慎
其中的一些标准回归南
两个特殊阈值之一的值,'拒绝全部'
和接受所有的
.
例子:'xcrit','Ecost'
“ProcessNaN”
- - - - - -灌注
方法进行处理南
分数“忽略”
(默认)|“addtofalse”
灌注
方法进行处理南
分数,指定为逗号分隔的一对组成的“ProcessNaN”
和“忽略”
或“addtofalse”
.
如果processnan.
是“忽略”
, 然后灌注
删除的观察与南
从数据中得到分数。
如果processnan.
是“addtofalse”
, 然后灌注
增加了与实例南
分数到错误分类计数在各自的类。也就是说,灌注
总是将阳性类的实例计数为假阴性(FN),并且总是将阴性类的实例计数为假阳性(FP)。
例子:“ProcessNaN”、“addtofalse”
“之前”
- - - - - -正负类的先验概率“经验”
(默认)|“统一”
|双元素数组正负类的先验概率,指定为逗号分隔对,由“之前”
和“经验”
,“统一”
,或两个元素的数组。
如果之前
是“经验”
, 然后灌注
从类频率导出先验概率。
如果之前
是“统一”
, 然后灌注
设置所有先验概率相等。
例子:“之前”,[0.3,0.7]
数据类型:单
|双
|char
|字符串
'成本'
- - - - - -误分类成本[0 0.5; 0.5 0]
(默认)|2×2矩阵错误分类成本,指定为逗号分隔的配对组成'成本'
和一个2 × 2矩阵,包含[费用(P | P),成本(N | P);成本(P | N),成本(N | N)]
.
成本(N | P)
是将正类错分类为负类的代价。成本(P | N)
是将负类误分类为正类的代价。通常情况下,成本(P |)
= 0且成本(N |)
= 0,但灌注
允许您为正确分类指定非零成本。
例子:“成本”,[0 0.7;0.3 0]
数据类型:单
|双
'重量'
- - - - - -观察权重“BootType”
- - - - - -置信区间类型bootci
“bca”
(默认)|的规范
|'每'
|“cpe”
|“根根”
置信区间类型bootci
用于计算置信度界限,指定为逗号分隔的对组成“BootType”
以及以下其中之一:
“bca”
-偏差修正和加速百分位法
的规范
或'普通的'
-带引导偏差和标准误差的正常近似区间
'每'
或“百分”
-百分位方法
“cpe”
或“纠正百分位”
-偏差修正百分位数法
“根根”
或“学生”
- 学生化的置信区间
例子:'BootType', 'CPER'
“BootArg”
- - - - - -的可选输入参数bootci
{Nbootstd, Nbootstd}
|{ '标准错误',标准错误}
的可选输入参数bootci
到计算置信区间,指定为逗号分隔的一对组成的“BootArg”
和{Nbootstd, Nbootstd}
或{ '标准错误',标准错误}
,名称 - 值对的参数bootci
.
当您计算已学习的引导置信区间(“BootType”
是“学生”
),你还可以指定“Nbootstd”
或“Stderr”
,名称 - 值对的参数bootci
,通过使用“BootArg”
.
BootArg, {Nbootstd, Nbootstd}
使用bootstrap with估计bootstrap统计的标准误差nbootstd.
数据样本。nbootstd.
是一个正整数,它的默认值是100。
BootArg, {Stderr, Stderr}
通过用户定义的函数计算引导统计的标准错误stderr
那需要(1:元素个数(分数)]
作为输入参数。stderr
是函数句柄。
例子:BootArg, {Nbootstd, Nbootstd}
数据类型:细胞
“选项”
- - - - - -控制置信区间计算的选项[]
(默认)|返回的结构数组statset
用于控制置信区间计算的选项,置信区间指定为逗号分隔对,由“选项”
和返回的结构数组statset
.这些选项需要并行计算工具箱™。灌注
使用此参数计算仅逐点置信区间。为了计算这些界限,必须通过对电池阵列标签
和分数
或一组nboot.
变成一个正整数。
该表总结了可用的选项。
选项 | 描述 |
---|---|
'使用指平行' |
|
“UseSubstreams” |
|
“流” |
一个
在这种情况下,使用与并行池相同大小的单元格数组。如果并行池未打开,则 |
如果'使用指平行'
是真正的
和“UseSubstreams”
是错误的
,然后是长度“流”
必须等于所用工人的数量灌注
.如果并行池已经打开,则“流”
是平行池的大小。如果并行池尚未打开,则Matlab®可能会打开一个池您,根据您的安装和喜好。为了确保更可预见的结果,使用parpool
(并行计算工具箱)并在调用之前显式地创建并行池灌注
和设置“选项”,statset (UseParallel,真的)
.
例子:“选项”,statset (UseParallel,真的)
数据类型:结构体
T
—分类器评分的阈值的计算值对分类器分数的阈值X
和Y
,作为vector或返回米3矩阵。
如果灌注
不计算逐点的置信界限,或使用阈值平均计算它们T
是一个向量。
如果灌注
使用垂直平均计算置信度界限,T
是一个米3矩阵,米数量是固定的吗X
值。第一列T
包含平均值。第二列和第三列分别包含点态置信界的下界和上界。
对于每一个阈值,TP
是真正阳性观测的计数,得分大于或等于该阈值,以及《外交政策》
为分数大于或等于该阈值的假阳性观察的计数。灌注
定义-计数,TN
和FN
,以类似的方式。然后,该函数按照正计数的升序对阈值进行降序排序。
为米在一系列分数中发现了不同的阈值,灌注
返回X
,Y
和T
数组与米+ 1行。灌注
集元素T(2:米+ 1)
到不同的阈值T (1)
复制T(2)
.按照惯例,T (1)
代表了最高'拒绝全部'
门槛,灌注
计算对应的值X
和Y
为了TP = 0
和FP = 0
.的T(结束)
价值是最低的接受所有的
阈值的TN = 0
和FN = 0
.
AUC
-曲线下面积曲线下面积(AUC
)对于计算的值X
和Y
,返回标量值或3乘1向量。
如果灌注
不计算逐点的置信界限,AUC
是标量值。
如果灌注
使用垂直平均计算置信度界限,AUC
是一个3 × 1的向量。第一列AUC
包含平均值。第二和第三列分别包含置信度的下限和上限。
对于完美的分类器,AUC = 1。对于随机分配观察到的类的分类器,AUC = 0.5。
如果你设置XVals
来'全部'
(默认),然后灌注
计算AUC
使用返回X
和Y
值。
如果XVals
是一个数字数组吗灌注
计算AUC
使用X
和Y
的最小和最大元素指定的区间内所有不同分数的值XVals
.更准确地说,灌注
发现X
值为所有不同的阈值XVals
被设置为'全部'
,然后使用其中的一个子集(与相应的Y
值)之间的分钟(XVals)
和马克斯(XVals)
来计算AUC
.
灌注
使用梯形近似来估计面积。的第一个或最后一个值X
或Y
是南
年代,然后灌注
删除它们以允许计算AUC
.这需要照顾的标准产生南
S对于特殊'拒绝全部'
或接受所有的
阈值,如阳性预测值(PPV)或阴性预测值(NPV)。
OPTROCPT
- ROC曲线的最佳工作点ROC曲线的最佳工作点,以1 × 2数组返回,其中包含最佳ROC工作点的假阳性率(FPR)和真阳性率(TPR)值。
灌注
计算OPTROCPT
对于标准的ROC曲线而已,而对套南
否则。为了获得ROC曲线的最佳工作点,灌注
首先求斜率,年代,使用
成本(N|P是将正类误分类为负类的代价。成本(P|N)是误分类的负类作为正类的成本。
P = tp + fn和N = tn + fp.它们分别是正类和负类中的实例总数。
灌注
然后通过直线带斜率的运动找到最优工作点年代从ROC图的左上角(玻璃钢= 0
,TPR = 1
)向下和向右,直到它与ROC曲线相交。
如果您为标签
和分数
,或者如果你设置nboot.
到一个正整数,则灌注
返回尖端的置信范围X
,Y
,T
, 和AUC
.不能为。提供单元格数组标签
和分数
并设置nboot.
同时变成一个正整数。
灌注
使用任一交叉确认或引导数据重新采样到计算置信区间。
灌注
使用两种方法之一估计置信度界限:
当你计算置信限时,Y
是一个米-by-3阵列,其中米数量是固定的吗X
值或阈值(T
价值观)。第一列Y
包含平均值。第二列和第三列分别包含点态置信界的下界和上界。AUC
是具有三个元素的行向量,遵循相同的约定。如果灌注
然后使用VA计算置信界限T
是一个米3矩阵,X
是一列栏矢量。如果灌注
使用ta,然后X
是一个米3矩阵和T
是一个列向量。
灌注
返回点置信界限。它不会返回整个曲线的同时置信带。
[1] t·福塞特。“ROC图:对研究者的注释和实用考虑”,2004。
Zweig, M.和G. Campbell。受试者工作特征(ROC)图:临床医学的基本评价工具中国。化学.1993, 39/4, 561-577页。
[3] Davis, J.和M. Goadrich。精度查全率与ROC曲线的关系ICML '06论文集, 2006,第233-240页。
莫斯科维茨和佩佩。“量化和比较连续预后因素对二元预后的预测准确性。”生物统计学, 2004, 5,页113-127。
黄勇,M. Pepe,冯志峰。"评估连续标记的预测性"华盛顿生物统计学论文系列,2006,250-261。
[6]布里格斯,W.,和R. Zaretzki。“该技能情节:图形技术评估连续诊断测试。”生物识别技术, 2008, 63,页250 - 261。
[7] r .赌博。使用ROC凸包方法进行代价敏感分类器选择SAS研究所.
要并行运行,请指定“选项”
名称 - 值参数在调用此功能,并设置'使用指平行'
字段的选项结构真正的
使用statset
.
例如:“选项”,statset (UseParallel,真的)
有关并行计算的更多信息,请参见运行MATLAB函数与自动并行支持万博1manbetx(并行计算工具箱).
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。