《表2 二分类逻辑回归计算方法》
注:假阳性率=B/(A+B),特异度=1-假阳性率;真阳性率=D/(C+D),灵敏度=真阳性率
受试者工作特征(receiver operator characteristic,ROC)曲线是以灵敏度为Y轴,1-特异度为X轴的曲线图,是一种评估诊断模型性能的有效方法,特别适用于诊断结果非0即1的二分类问题.其中二分类逻辑回归问题的特异度与灵敏度计算方式如表2所示.通过绘制ROC曲线,可以获得任意阈值对疾病的识别能力,从中选出最优的诊断阈值.一般而言,ROC曲线越靠近左上角,阈值点诊断效果越好.因为ROC曲线的横轴是1-特异度,纵轴是灵敏度,据此可知在该点处的二分类法的特异度和灵敏度最高,也就是说出错率最低.ROC曲线的曲线下面积(area under curve,AUC)是评价模型诊断能力最常用的指标,AUC取值在0~1.0,越接近1.0,诊断模型的整体性能越好[9].
图表编号 | XD0010773300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 吴谦、王平 |
绘制单位 | 浙江大学生物医学工程教育部重点实验室、浙江大学生物医学工程教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |