صحت و دقت

آماجی که دقت بالا و صحت پایین دارد

در یک مجموعه اندازه‌گیری، صِحَت (به انگلیسی: Accuracy) به معنی نزدیکی مقادیر اندازه‌گیری به یک مقدار خاص و دِقَت (به انگلیسی: Precision) به معنی نزدیکی مقادیر اندازه‌گیری به یکدیگر است. صحت یک ابزار، معمولاً کالیبره شدنی می‌باشد اما دقت آن، بخشی از ماهیت ابزار می‌باشد.[۱]

دقت معیاری توصیفی از خطاهای تصادفی است که نشان‌دهندهٔ دامنهٔ پراکندگی آماری است.

صحت نیز به دو شکل تعریف می‌شود:[۲]

  1. تعریفی که بیشتر معمول است، دقت را معیاری توصیفی از خطاهای ذاتی (سیستماتیک) اندازه‌گیری در نظر می‌گیرد که خود نشان‌دهندهٔ تمایل ذاتی داده‌ها است.[۳]
  2. تعریف دیگر (تعریف ISO)، دقت را به توصیف هر دو نوع خطای مشاهده و همچنین تعریف بالا می‌گویند.[۴]
واقعیت
جامعه آماری در واقعیت مثبت در واقعیت منفی شیوع = Σ Condition positive/Σ Total population صحت (ACC) = Σ True positive + Σ True negative/Σ Total population
پیش‌بینی پیش‌بینی
مثبت		 مثبت صادق مثبت کاذب
خطای نوع اول		 Positive predictive value (PPV), دقت و بازیابی = Σ True positive/Σ Predicted condition positive میزان کشف اشتباه (FDR) = Σ False positive/Σ Predicted condition positive
پیش‌بینی
منفی		 منفی کاذب
خطای نوع دوم		 منفی صادق False omission rate (FOR) = Σ False negative/Σ Predicted condition negative Negative predictive value (NPV) = Σ True negative/Σ Predicted condition negative
حساسیت و ویژگی (TPR), دقت و بازیابی، حساسیت و ویژگی، probability of detection, توان آماری = Σ True positive/Σ Condition positive False positive rate (FPR), بازیابی اطلاعات، probability of false alarm = Σ False positive/Σ Condition negative Positive likelihood ratio (LR+) = TPR/FPR Diagnostic odds ratio (DOR) = LR+/LR− امتیاز اف ۱ = 2 · Precision · Recall/Precision + Recall
False negative rate (FNR), Miss rate = Σ False negative/Σ Condition positive حساسیت و ویژگی (SPC), Selectivity, حساسیت و ویژگی (TNR) = Σ True negative/Σ Condition negative Negative likelihood ratio (LR−) = FNR/TNR
وضعیت پیش‌بینی‌شده منابع: [۵][۶][۷][۸][۹][۱۰][۱۱][۱۲]
کل جامعه
= P + N		 مثبت پیش‌بینی‌شده منفی پیش‌بینی‌شده اطلاع‌مندی (BM)
= TPR + TNR − 1		 آستانه شیوع (PT)
= √TPR × FPR - FPR/TPR - FPR
وضعیت واقعی
 مثبت (P) [الف] مثبت واقعی(TP)،
ضربه صحیح
(hit)[ب]		 منفی کاذب (FN)،
عدم تشخیص، کمتر از واقع برآورد شده
(miss)		 نرخ مثبت واقعی (TPR)، بازیابی، حساسیت (SEN)، احتمال تشخیص، نرخ ضربه صحیح، توان
= TP/P = 1 − FNR		 نرخ منفی کاذب (FNR)،
نرخ عدم تشخیص
(miss rate)خطای نوع دوم [پ]
= FN/P = 1 − TPR
منفی (N)[ت] مثبت کاذب (FP)،
آلارم اشتباه، آژیر کاذب، برآورد بیش از واقع		 منفی واقعی (TN) ،
رد صحیح
(correct rejection)[ث]		 نرخ مثبت کاذب (FPR)،
احتمال آژیر کاذب،
fall-out
خطای نوع اول [ج]
= FP/N = 1 − TNR		 نرخ منفی واقعی (TNR)،
ویژگی (specificity)، گزینش‌پذیری
= TN/N = 1 − FPR
شیوع
= P/P + N		 ارزش اخباری مثبت (PPV)، دقت
= TP/TP + FP = 1 − FDR		 نرخ حذف اشتباه (FOR)
= FN/TN + FN = 1 − NPV		 نسبت درست‌نمایی مثبت (LR+)
= TPR/FPR		 نسبت درست‌نمایی منفی (LR−)
= FNR/TNR
صحت (ACC)
= TP + TN/P + N		 نرخ کشف اشتباه (FDR)
= FP/TP + FP = 1 − PPV		 ارزش اخباری منفی (NPV)
= TN/TN + FN = 1 − FOR		 نشانداری (MK)، deltaP (Δp)
= PPV + NPV − 1		 نسبت شانس تشخیصی (DOR)
= LR+/LR−
دقت متعادل (BA)
= TPR + TNR/2		 امتیاز اف ۱
= 2 PPV × TPR/PPV + TPR = 2 TP/2 TP + FP + FN		 شاخص فاوکس–مالوز (FM)
= √PPV × TPR		 ضریب همبستگی متیوز (MCC)
= √TPR × TNR × PPV × NPV - √FNR × FPR × FOR × FDR		 شاخص جاکارد، امتیاز تهدید (TS)، شاخص موفقیت بحرانی (CSI)
= TP/TP + FN + FP
  1. ↑ تعداد موارد واقعاً مثبت در داده‌ها
  2. ↑ نتیجه‌ای که درست نشان می‌دهد یک وضعیت یا ویژگی حضور دارد
  3. ↑ خطای نوع دوم: نتیجه‌ای که به‌اشتباه نشان می‌دهد یک ویژگی یا وضعیت حضور ندارد
  4. ↑ تعداد موارد واقعاً منفی در داده‌ها
  5. ↑ نتیجه‌ای که درست نشان می‌دهد یک وضعیت یا ویژگی غایب است
  6. ↑ خطای نوع اول: نتیجه‌ای که به‌اشتباه نشان می‌دهد یک ویژگی یا وضعیت حضور دارد

منابع

  1. ↑ JCGM 200:2008 International vocabulary of metrology — Basic and general concepts and associated terms (VIM)
  2. ↑ JCGM 200:2008 International vocabulary of metrology — Basic and general concepts and associated terms (VIM)
  3. ↑ Taylor, John Robert (1999). An Introduction to Error Analysis: The Study of Uncertainties in Physical Measurements. University Science Books. pp. 128–129. ISBN 0-935702-75-X.
  4. ↑ North Atlantic Treaty Organization, NATO Standardization Agency AAP-6 – Glossary of terms and definitions, p 43.
  5. ↑ Fawcett, Tom (2006). "An Introduction to ROC Analysis" (PDF). Pattern Recognition Letters. 27 (8): 861–874. doi:10.1016/j.patrec.2005.10.010. S2CID 2027090.
  6. ↑ Provost, Foster; Tom Fawcett (2013-08-01). "Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking". O'Reilly Media، Inc. (به انگلیسی).
  7. ↑ Powers, David M. W. (2011). "Evaluation: From Precision، Recall and F-Measure to ROC، Informedness، Markedness & Correlation". Journal of Machine Learning Technologies. 2 (1): 37–63.
  8. ↑ Ting, Kai Ming (2011). Sammut, Claude; Webb, Geoffrey I. (eds.). Encyclopedia of machine learning. Springer. doi:10.1007/978-0-387-30164-8. ISBN 978-0-387-30164-8.
  9. ↑ Brooks, Harold; Brown, Barb; Ebert, Beth; Ferro, Chris; Jolliffe, Ian; Koh, Tieh-Yong; Roebber, Paul; Stephenson, David (2015-01-26). "WWRP/WGNE Joint Working Group on Forecast Verification Research". Collaboration for Australian Weather and Climate Research. World Meteorological Organisation. Retrieved 2019-07-17.
  10. ↑ Chicco D، Jurman G (January 2020). "The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation". BMC Genomics. 21 (1): 6-1–6-13. doi:10.1186/s12864-019-6413-7. PMC 6941312. PMID 31898477. {{cite journal}}: Vancouver style error: non-Latin character in name 1 (help)
  11. ↑ Chicco D، Toetsch N، Jurman G (February 2021). "The Matthews correlation coefficient (MCC) is more reliable than balanced accuracy، bookmaker informedness، and markedness in two-class confusion matrix evaluation". BioData Mining. 14 (13): 13. doi:10.1186/s13040-021-00244-z. PMC 7863449. PMID 33541410. {{cite journal}}: Vancouver style error: non-Latin character in name 1 (help)
  12. ↑ Tharwat A. (August 2018). "Classification assessment methods". Applied Computing and Informatics. 17: 168–192. doi:10.1016/j.aci.2018.08.003.
This article is issued from ویکی‌پدیا. The text is available under Creative Commons Attribution-Share Alike 4.0 unless otherwise noted. Additional terms may apply for the media files.