Statistik :: ROC. Statistik :: ROC adalah modul Perl dengan kurva receiver-operator-karakteristik (ROC) dengan batas kepercayaan nonparametrik.
Unduh sekarang

Statistik :: ROC. Peringkat & Ringkasan

Statistik :: ROC. Tag

penerima modul perl operator Statistik ROC.

Statistik :: ROC. Keterangan

Statistik :: ROC adalah modul Perl dengan kurva receiver-operator-karakteristik (ROC) dengan batas kepercayaan nonparametrik. Statistik :: ROC adalah modul Perl dengan kurva receiver-operator-karakteristik (ROC) dengan batas kepercayaan nonparametrik. Synopsis menggunakan statistik :: ROC; My ($ y) = loggamma ($ x); My ($ y) = betain ($ x, $ p, $ Q, $ beta); My ($ y) = betain ($ x, $ p, $ q); My ($ y) = xinbta ($ p, $ q, $ beta, $ alpha); My ($ y) = xinbta ($ p, $ q, $ alpha); my (@rk) = rank ($ tipe, @r); My (@roc) = ROC ($ model_type, $ conf, @ val_grp); Program ini menentukan kurva ROC dan batas kepercayaan nonparametrik untuk data dikategorikan menjadi dua kelompok. Kurva ROC menunjukkan hubungan probabilitas alarm palsu (sumbu x) hingga probabilitas deteksi (sumbu y) untuk tes tertentu. Disampaikan dalam istilah medis: probabilitas tes positif, diberi penyakit pada probabilitas tes positif, diberikan penyakit. Kurva ROC dapat digunakan untuk menentukan titik cutoff yang optimal untuk pengujian. Fungsi utama adalah ROC (). Fungsi yang diekspor lainnya digunakan oleh ROC (), tetapi mungkin berguna untuk prosedur statistik nonparametrik lainnya. Prosedur loggammatis mengevaluasi logaritma alami gamma (x) untuk semua x> 0, akurat hingga 10 tempat desimal. Formula Stirlings digunakan untuk bagian polinomial utama dari prosedur. Untuk x = 0 Nilai 743.746924740801 akan dikembalikan: Ini adalah Loggamma (9.999999999e-324) .Betaincomputes Rasio Fungsi Beta Tidak Lengkap Keterangan: Fungsi Beta Lengkap: B (P, Q) = GAMMA (Q) * GAMMA / Gamma (P + Q) Log (B (P, Q)) = ln (gamma (p)) + ln (gamma (q)) - ln (gamma (p + q)) rasio fungsi beta tidak lengkap: i_x (p, Q) = 1 / b (p, q) * int_0 ^ xt ^ {p-1} * (1-t) ^ {q-1} dt -> log (b (p, q) harus disediakan Untuk menghitung i_x (P, Q) Log menunjukkan logaritma alami $ beta = log (b (p, q)) $ x = x $ p = p $ q = q subrutin mengembalikan i_x (p, q). Jika kesalahan terjadi pada nilai negatif {-1, -2} dikembalikan ) = gamma (p) * gamma (q) / gamma (p + q) log (b (p, q) = ln (gamma (p)) + ln (gamma (q)) - ln (gamma (p + Q)) Rasio fungsi beta tidak lengkap: alpha = i_x (p, q) = 1 / b (p, q) * int_0 ^ xt ^ {p-1} * (1-t) ^ {q-1} dt - > Log (B (p, q)) harus dipasok untuk menghitung i_x (p, q) log menunjukkan logaritma alami $ beta = log (b (p, q)) $ p, q) $ p = p $ q = q subrutin mengembalikan x. Jika kesalahan terjadi pada nilai negatif {-1, -2, -3} dikembalikan sebuah array). Mengembalikan vektor peringkat yang sesuai dengan vektor input. Berbagai jenis peringkat dimungkinkan ('tinggi', 'rendah', 'rata-rata'), dan ditentukan sebagai argumen pertama. Ini berbeda dalam cara ikatan vektor input, yaitu nilai-nilai identik, dirawat: tinggi: ganti peringkat nilai identik dengan RANKLOW TERTINGGI: Ganti peringkat nilai identik dengan peringkat terendah dengan rata-rata nilai-nilai mereka RankSrocdetermines Kurva ROC dan batas kepercayaan nonparametriknya. Kurva ROC menunjukkan hubungan "probabilitas alarm palsu" (sumbu x) ke "probabilitas deteksi" (sumbu y) untuk tes tertentu. Atau dalam istilah medis: "probabilitas tes positif, tidak ada penyakit" dengan "probabilitas tes positif, diberi penyakit". Kurva ROC dapat digunakan untuk menentukan titik cutoff "optimal" untuk tes. Rutin membutuhkan tiga argumen: (1) Jenis Model: 'Penurunan' atau 'Tambah', ini menyatakan asumsi bahwa lebih tinggi ('meningkat' Nilai data cenderung menjadi indikator hasil tes positif atau untuk model 'mengurangi' nilai yang lebih rendah. (2) Interval kepercayaan dua sisi (biasanya 0,95 dipilih). (3) Data disimpan sebagai daftar sebagai daftar -Of-list: Setiap entri dalam daftar ini memenuhi pasangan "nilai / true group", yaitu nilai / penyakit yang ada. Nilai kelompok berasal dari {0,1}. 0 singkatan dari penyakit (atau sinyal) tidak ada (pengetahuan sebelumnya) dan 1 untuk penyakit (atau sinyal) hadir (pengetahuan sebelumnya). Contoh: @s = (, , , , , ); Perhatikan tumpang tindih kecil dari kelompok. Cutoff Point yang optimal untuk memisahkan kedua kelompok akan antara 9 dan 9.5 Jika kriteria optimalitas adalah untuk memaksimalkan probabilitas deteksi dan secara bersamaan meminimalkan probabilitas alarm palsu. Mengembalikan daftar daftar dengan tiga kurva: @ROC = (, , ) Setiap kurva lagi daftar daftar dengan setiap entri yang terdiri dari pasangan (x, y) pair.examples: $, = "" Cetak Loggamma (10), "n"; Cetak Xinbta (3,4, betain (0,6,3,4)), "n"; @ e = (0,7, 0,7, 0,9, 0,6, 1.0, 1.1, 1, .7, .6); cetak peringkat ('rendah', @ e), "n"; cetak pangkat ('tinggi', @ e), "n"; Cetak Peringkat ('Mean', @ E), "n"; @var_grp = (, , , , , , , , , , , , , ); @ curves = roc ('penurunan', 0,95, @ var_grp); Cetak "$ kurva $ kurva n"; Persyaratan: · PERLIAN PERLAKUAN: · Perl.

Statistik :: ROC. Perangkat Lunak Terkait