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。
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）