Statistik :: ROC. Statistik :: ROC ist ein Perl-Modul mit Empfänger-Operator-charakteristischen (ROC) -Kurven mit nichtparametrischen Vertrauensgrenzen.
Jetzt downloaden

Statistik :: ROC. Ranking & Zusammenfassung

Statistik :: ROC. Stichworte

Empfänger Perl-Modul Operator ROC Statistiken

Statistik :: ROC. Beschreibung

Statistik :: ROC ist ein Perl-Modul mit Receiver-Operator-charakteristischen (ROC) -Kurven mit nichtparametrischen Vertrauensgrenzen. Statistik :: ROC ist ein Perl-Modul mit Empfänger-Operator-charakteristischen (ROC) -Kurven mit nichtparametrischer Vertrauensgrenzen.Synopsis verwenden Statistiken: ROC; meine ($ y) = loggamma ($ x); mein ($ y) = Betain ($ x, $ p, $ q, $ beta); mein ($ y) = Betain ($ x, $ p, $ q); mein ($ y) = xinbta ($ p, $ q, $ beta, $ alpha); meine ($ y) = xinbta ($ p, $ q, $ , $ alpha); Mein (@rk) = Rang ($, @r); Mein (@roc) = roc ($ model_type, $ conf, @ val_grp); Dieses Programm bestimmt die ROC-Kurve und seine nichtparametrischen Vertrauensgrenzen für Daten, die in zwei Gruppen kategorisiert sind. Eine ROC-Kurve zeigt die Beziehung der Wahrscheinlichkeit des Fehlalarms (X-Achse) zur Erkennungswahrscheinlichkeit (y-Achse) für einen bestimmten Test. Ausdrücklich in medizinischer Hinsicht: Die Wahrscheinlichkeit eines positiven Tests, gegebener Erkrankung der Wahrscheinlichkeit eines positiven Tests, gegebener Erkrankung. Die ROC-Kurve kann verwendet werden, um einen optimalen Cutoff-Punkt für den Test zu bestimmen. Die Hauptfunktion ist ROC (). Die anderen exportierten Funktionen werden von roc () verwendet, kann aber für andere nichtparametrische statistische Prozeduren nützlich sein. Für den zentralen Polynomteil der Prozedur wird die Stündelformel verwendet. Für x = 0 ist ein Wert von 743.746924740801 zurückgegeben: Dies ist Loggamma (9.99999999999E-324) .betaInComputes unvollständige Beta-Funktionsverhältnis Anmerkungen: Komplette Beta-Funktion: B (P, Q) = Gamma (P) * Gamma (Q) / gamma (p + q) log (b (p, q)) = ln (gamma (p)) + ln (gamma (p)) - ln (gamma (p + q)) unvollständig Beta-Funktionsverhältnis: i_x (p, q) = 1 / b (p, q) * int_0 ^ ^ ^ {p-1} * (1-t) ^ {Q-1} dt -> log (b (p, q)) muss geliefert werden Um das Protokoll von i_x (p, q) zu berechnen Wenn ein Fehler auftritt, wird ein negativer Wert {-1, -2} zurückgegeben .BetA1Computiert die unvollständige Beta-Funktion durch Aufrufen von Loggamma () und Betain (). Xinbtacomputiert invers Invers der unvollständigen Beta-Funktionsverhältnis-Anmerkungen: Komplette Beta-Funktion: B (P, Q ) = gamma (p) * gamma (q) / gamma (p + q) log (b (p, q)) = ln (gamma (p)) + ln (gamma (q)) - ln (gamma (p + q)) Unvollständige Beta-Funktionsverhältnis: alpha = i_x (p, q) = 1 / b (p, q) * int_0 ^ ^ ^ {p-1} * (1-t) ^ {Q-1} dt - > Protokoll (b (p, q)) muss zum Berechnen von i_x (p, q) geliefert werden. = P $ q = q Die Subroutine gibt X zurück. Wenn ein Fehler auftritt, wird ein negativer Wert {-1, -2, -3} zurückgegeben .xinbtacomputiert die inverse der unvollständigen Beta-Funktion durch Aufrufen von Loggamma () und XinBTA (). RankingComputiert Die Ränge der als zweiten Argument angegebenen Werte ( eine Anordnung). Gibt einen Vektor von Rängen zurück, der dem Eingabevektor entspricht. Verschiedene Arten von Ranking sind möglich ("hoch", "niedrig", "Mittelwert") und werden als erstes Argument angegeben. Diese unterscheiden sich in der Art und Weise, wie Krawatten des Eingabevektors, dh identische Werte, behandelt werden: hoch: Ersetzen von identischen Werten ersetzen mit ihrer höchsten Ranglücke: Ersetzen von Zahlen mit identischen Werten durch die niedrigste Rangliste: Ersetzen Sie die Reihen von identischen Werten mit dem Mittelwert ihrer Rangsrocdetermines Die ROC-Kurve und ihre nichtparametrischen Vertrauensgrenzen. Die ROC-Kurve zeigt die Beziehung zwischen "Wahrscheinlichkeit des Fehlalarms" (X-Achse) auf "Wahrscheinlichkeit der Erkennungswahrscheinlichkeit" (y-Achse) für einen bestimmten Test. Oder in der medizinischen Begriffe: die "Wahrscheinlichkeit eines positiven Tests, gegebener Erkrankung" zur "Wahrscheinlichkeit eines positiven Tests, gegebener Erkrankung". Die ROC-Kurve kann verwendet werden, um einen "optimalen" Cutoff-Punkt für den Test zu bestimmen. Die Routine dauert drei Argumente: (1) Art des Modells: "Verringern" oder "Erhöhung", dh der Annahme an, dass ein höherer ("Erhöhung" ) Der Wert der Daten neigt dazu, ein Indikator für ein positives Testergebnis zu sein, oder für das Modell 'verringert' einen niedrigeren Wert. (2) Das zweiseitige Konfidenzintervall (normalerweise 0,95 wird gewählt). (3) Die als Liste gespeicherten Daten -Of -Of-Listens: Jeder Eintrag in dieser Liste weist auf ein "Wert- / True-Gruppe" -Paar ein, dh Wert / Krankheiten vorhanden. Gruppenwerte stammen von {0,1}. 0 steht für Krankheiten (oder Signal) nicht vorhanden (Vorkenntnisse) und 1 für anwesende Krankheit (oder Signal) (Vorwissen). Beispiel: @s = (, , , , , ); Beachten Sie die kleine Überlappung der Gruppen. Der optimale Cutoff-Punkt, um die beiden Gruppen zu trennen, wäre zwischen 9 und 9,5, wenn das Kriterium der Optimalität die Maximierung der Erkennungswahrscheinlichkeit darin besteht, die Wahrscheinlichkeit von Fehlalarm gleichzeitig zu minimieren. Eine Liste der Listen mit den drei Kurven: @roc = (, , ) Jeder der Kurven ist wieder eine Liste von Listen mit jedem Eintrag, der aus einem (x, y) -Paar bestehend ist. Execampyples: $, = ""; drucken loggamma (10), "n"; drucken XinBTA (3,4, Betain (0,6,3,4)), "n"; @ E = (0,7, 0,7, 0,9, 0,6, 1,0, 1,1, 1, 0,7, .6); Druckrang ('Niedrig', @ e), "n"; Druckrang ('hoch', @ e), "n"; Druckrang ('Mittelwert', @ e), "n"; @var_grp = (, , , , , , , , , , , , , ); @ Kurven = ROC ('Abnahme', 0.95, @ var_grp); drucken "$ Kurven $ Kurven N"; Anforderungen: · Perl Anforderungen: · Perl.

Statistik :: ROC. Zugehörige Software