R 特异性和敏感性措施
我一直在尝试计算一些关于特异性和敏感性的指标。R 特异性和敏感性措施,r,false-positive,R,False Positive,我一直在尝试计算一些关于特异性和敏感性的指标。 SDMTools R软件包在获得总体估算方面非常有效 library(SDMTools) a <- c(1,1,1,1,0,0,0,1,0,1,1,1) #observed b <- c(1,1,0,0,1,0,0,1,0,0,1,1) #predicted accuracy(a, b) # threshold AUC omission.rate sensitivity specificity prop.co
SDMTools R软件包在获得总体估算方面非常有效
library(SDMTools)
a <- c(1,1,1,1,0,0,0,1,0,1,1,1) #observed
b <- c(1,1,0,0,1,0,0,1,0,0,1,1) #predicted
accuracy(a, b)
# threshold AUC omission.rate sensitivity specificity prop.correct Kappa
#1 0.5 0.6875 0.375 0.625 0.75 0.6666667 0.3333333
您可以使用如下自定义函数来计算真/假分类计数:
accuracy_table <- function(obs, pred){
data.frame(TP = sum(obs == 1 & pred == 1),
TN = sum(obs == 0 & pred == 0),
FP = sum(obs == 0 & pred == 1),
FN = sum(obs == 1 & pred == 0))
}
accuracy_table(a, b)
accurity\u table您可以使用如下自定义函数来计算真/假分类计数:
accuracy_table <- function(obs, pred){
data.frame(TP = sum(obs == 1 & pred == 1),
TN = sum(obs == 0 & pred == 0),
FP = sum(obs == 0 & pred == 1),
FN = sum(obs == 1 & pred == 0))
}
accuracy_table(a, b)
精度\u表如果您喜欢不同的格式,可以使用表(a,b)
,或数据帧(表(a,b))
。真正的积极因素是a=b=1的情况,真正的消极因素是a=b=0的情况,等等。caret::confusionMatrix(as.factor(a),as.factor(b))
提供了上面的所有细节,以及可以使用的混淆矩阵(表)
表(a,b)
或数据框架(表(a,b))
,如果您喜欢不同的格式。真正积极的情况是a=b=1,真正消极的情况是a=b=0,等等。插入符号::混淆矩阵(as.factor(a),as.factor(b))
为您提供了上述所有细节以及混淆矩阵(表)