当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

R yardstick ppv 阳性预测值


这些函数计算测量系统与参考结果("truth" 或金标准)相比的ppv()(阳性预测值)。高度相关的函数是 spec() 、 sens() 和 npv() 。

用法

ppv(data, ...)

# S3 method for data.frame
ppv(
  data,
  truth,
  estimate,
  prevalence = NULL,
  estimator = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  event_level = yardstick_event_level(),
  ...
)

ppv_vec(
  truth,
  estimate,
  prevalence = NULL,
  estimator = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  event_level = yardstick_event_level(),
  ...
)

参数

data

包含 truth 和 estimate 参数指定的列的 data.frame，或者 table /matrix，其中真正的类结果应位于表的列中。

...

目前未使用。

truth

真实类结果的列标识符(即 factor )。这应该是一个不带引号的列名，尽管此参数是通过表达式传递的并且支持quasiquotation(您可以不带引号的列名)。对于 _vec() 函数，一个 factor 向量。

estimate

预测类结果的列标识符(也是 factor )。与 truth 一样，可以通过不同的方式指定，但主要方法是使用不带引号的变量名称。对于 _vec() 函数，一个 factor 向量。

prevalence

数据"positive" 类的速率数值。

estimator

其中之一： "binary" 、 "macro" 、 "macro_weighted" 或 "micro" 指定要完成的平均类型。 "binary" 仅与两类情况相关。其他三种是计算多类指标的通用方法。默认会根据 estimate 自动选择 "binary" 或 "macro" 。

na_rm

logical 值，指示在计算继续之前是否应剥离 NA 值。

case_weights

案例权重的可选列标识符。这应该是一个不带引号的列名称，其计算结果为 data 中的数字列。对于 _vec() 函数，一个数值向量。

event_level

单个字符串。 "first" 或"second" 指定将truth 的哪个级别视为"event"。此参数仅适用于 estimator = "binary" 。默认使用内部帮助程序，通常默认为 "first" ，但是，如果设置了已弃用的全局选项 yardstick.event_first ，则将使用该帮助程序并发出警告。

值

tibble 包含列 .metric 、 .estimator 和 .estimate 以及 1 行值。

对于分组 DataFrame ，返回的行数将与组数相同。

对于 ppv_vec() ，单个 numeric 值(或 NA )。

细节

阳性预测值 (ppv()) 定义为实际为阳性的预测阳性百分比，而阴性预测值 (npv()) 定义为实际为阴性的阴性阳性百分比。

相关级别

在计算二元分类指标时，对于哪个因子级别应自动被视为 "event" 或 "positive" 结果，没有通用约定。在 yardstick 中，默认使用第一级。要更改此设置，请将参数 event_level 更改为 "second" 以将因子的最后一个级别视为感兴趣级别。对于涉及 one-vs-all 比较(例如宏平均)的多类扩展，此选项将被忽略，并且 "one" 级别始终是相关结果。

多级

此指标可使用宏观、微观和宏观加权平均。如果提供了超过 2 个级别的 truth 因子，则默认选择宏平均。否则，将进行标准二进制计算。有关详细信息，请参阅vignette("multiclass", "yardstick")。

执行

假设一个 2x2 表，其符号为：

Reference
PredictedPositiveNegative
PositiveAB
NegativeCD

这里使用的公式是：

Sensitivity = A/(A+C)

Specificity = D/(B+D)

Prevalence = (A+C)/(A+B+C+D)

PPV = (Sensitivity * Prevalence) / ((Sensitivity * Prevalence) + ((1-Specificity) * (1-Prevalence)))

NPV = (Specificity * (1-Prevalence)) / (((1-Sensitivity) * Prevalence) + ((Specificity) * (1-Prevalence)))

有关统计数据的讨论，请参阅引用。

参考

Altman, D.G., Bland, J.M. (1994)“诊断测试 2：预测值”，英国医学杂志，第 309 卷，102。

也可以看看

其他类指标：accuracy() , bal_accuracy() , detection_prevalence() , f_meas() , j_index() , kap() , mcc() , npv() , precision() , recall() , sens() , spec()

其他敏感度指标：npv()、sens()、spec()

作者

马克斯·库恩

例子

# Two class
data("two_class_example")
ppv(two_class_example, truth, predicted)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 ppv     binary         0.819

# Multiclass
library(dplyr)
data(hpc_cv)

hpc_cv %>%
  filter(Resample == "Fold01") %>%
  ppv(obs, pred)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 ppv     macro          0.637

# Groups are respected
hpc_cv %>%
  group_by(Resample) %>%
  ppv(obs, pred)
#> # A tibble: 10 × 4
#>    Resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 Fold01   ppv     macro          0.637
#>  2 Fold02   ppv     macro          0.603
#>  3 Fold03   ppv     macro          0.706
#>  4 Fold04   ppv     macro          0.658
#>  5 Fold05   ppv     macro          0.651
#>  6 Fold06   ppv     macro          0.626
#>  7 Fold07   ppv     macro          0.562
#>  8 Fold08   ppv     macro          0.652
#>  9 Fold09   ppv     macro          0.605
#> 10 Fold10   ppv     macro          0.625

# Weighted macro averaging
hpc_cv %>%
  group_by(Resample) %>%
  ppv(obs, pred, estimator = "macro_weighted")
#> # A tibble: 10 × 4
#>    Resample .metric .estimator     .estimate
#>    <chr>    <chr>   <chr>              <dbl>
#>  1 Fold01   ppv     macro_weighted     0.697
#>  2 Fold02   ppv     macro_weighted     0.690
#>  3 Fold03   ppv     macro_weighted     0.752
#>  4 Fold04   ppv     macro_weighted     0.690
#>  5 Fold05   ppv     macro_weighted     0.705
#>  6 Fold06   ppv     macro_weighted     0.682
#>  7 Fold07   ppv     macro_weighted     0.649
#>  8 Fold08   ppv     macro_weighted     0.702
#>  9 Fold09   ppv     macro_weighted     0.661
#> 10 Fold10   ppv     macro_weighted     0.683

# Vector version
ppv_vec(
  two_class_example$truth,
  two_class_example$predicted
)
#> [1] 0.8194946

# Making Class2 the "relevant" level
ppv_vec(
  two_class_example$truth,
  two_class_example$predicted,
  event_level = "second"
)
#> [1] 0.8609865
# But what if we think that Class 1 only occurs 40% of the time?
ppv(two_class_example, truth, predicted, prevalence = 0.40)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 ppv     binary         0.740
源代码：R/class-ppv.R

相关用法


注：本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Positive predictive value。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。