當前位置: 首頁>>代碼示例 >>用法及示例精選 >>正文

R yardstick npv 陰性預測值


這些函數計算測量係統與參考結果("truth" 或金標準)相比的npv()(陰性預測值)。高度相關的函數是 spec() 、 sens() 和 ppv() 。

用法

npv(data, ...)

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

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

參數

data

包含 truth 和 estimate 參數指定的列的 data.frame，或者 table /matrix，其中真正的類結果應位於表的列中。

...

目前未使用。

truth

真實類結果的列標識符(即 factor )。這應該是一個不帶引號的列名，盡管此參數是通過表達式傳遞的並且支持quasiquotation(您可以不帶引號的列名)。對於 _vec() 函數，一個 factor 向量。

estimate

預測類結果的列標識符(也是 factor )。與 truth 一樣，可以通過不同的方式指定，但主要方法是使用不帶引號的變量名稱。對於 _vec() 函數，一個 factor 向量。

prevalence

數據"positive" 類的速率數值。

estimator

其中之一： "binary" 、 "macro" 、 "macro_weighted" 或 "micro" 指定要完成的平均類型。 "binary" 僅與兩類情況相關。其他三種是計算多類指標的通用方法。默認會根據 estimate 自動選擇 "binary" 或 "macro" 。

na_rm

logical 值，指示在計算繼續之前是否應剝離 NA 值。

case_weights

案例權重的可選列標識符。這應該是一個不帶引號的列名稱，其計算結果為 data 中的數字列。對於 _vec() 函數，一個數值向量。

event_level

單個字符串。 "first" 或"second" 指定將truth 的哪個級別視為"event"。此參數僅適用於 estimator = "binary" 。默認使用內部幫助程序，通常默認為 "first" ，但是，如果設置了已棄用的全局選項 yardstick.event_first ，則將使用該幫助程序並發出警告。

值

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

對於分組 DataFrame ，返回的行數將與組數相同。

對於 npv_vec() ，單個 numeric 值(或 NA )。

細節

陽性預測值 (ppv()) 定義為實際為陽性的預測陽性百分比，而陰性預測值 (npv()) 定義為實際為陰性的陰性陽性百分比。

相關級別

在計算二元分類指標時，對於哪個因子級別應自動被視為 "event" 或 "positive" 結果，沒有通用約定。在 yardstick 中，默認使用第一級。要更改此設置，請將參數 event_level 更改為 "second" 以將因子的最後一個級別視為感興趣級別。對於涉及 one-vs-all 比較(例如宏平均)的多類擴展，此選項將被忽略，並且 "one" 級別始終是相關結果。

多級

此指標可使用宏觀、微觀和宏觀加權平均。如果提供了超過 2 個級別的 truth 因子，則默認選擇宏平均。否則，將進行標準二進製計算。有關詳細信息，請參閱vignette("multiclass", "yardstick")。

執行

假設一個 2x2 表，其符號為：

Reference
PredictedPositiveNegative
PositiveAB
NegativeCD

這裏使用的公式是：

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)))

有關統計數據的討論，請參閱引用。

參考

Altman, D.G., Bland, J.M. (1994)“診斷測試 2：預測值”，英國醫學雜誌，第 309 卷，102。

也可以看看

其他類指標：accuracy() , bal_accuracy() , detection_prevalence() , f_meas() , j_index() , kap() , mcc() , ppv() , precision() , recall() , sens() , spec()

其他敏感度指標：ppv()、sens()、spec()

作者

馬克斯·庫恩

例子

# Two class
data("two_class_example")
npv(two_class_example, truth, predicted)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 npv     binary         0.861

# Multiclass
library(dplyr)
data(hpc_cv)

hpc_cv %>%
  filter(Resample == "Fold01") %>%
  npv(obs, pred)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 npv     macro          0.906

# Groups are respected
hpc_cv %>%
  group_by(Resample) %>%
  npv(obs, pred)
#> # A tibble: 10 × 4
#>    Resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 Fold01   npv     macro          0.906
#>  2 Fold02   npv     macro          0.901
#>  3 Fold03   npv     macro          0.917
#>  4 Fold04   npv     macro          0.897
#>  5 Fold05   npv     macro          0.897
#>  6 Fold06   npv     macro          0.892
#>  7 Fold07   npv     macro          0.882
#>  8 Fold08   npv     macro          0.902
#>  9 Fold09   npv     macro          0.879
#> 10 Fold10   npv     macro          0.890

# Weighted macro averaging
hpc_cv %>%
  group_by(Resample) %>%
  npv(obs, pred, estimator = "macro_weighted")
#> # A tibble: 10 × 4
#>    Resample .metric .estimator     .estimate
#>    <chr>    <chr>   <chr>              <dbl>
#>  1 Fold01   npv     macro_weighted     0.896
#>  2 Fold02   npv     macro_weighted     0.890
#>  3 Fold03   npv     macro_weighted     0.905
#>  4 Fold04   npv     macro_weighted     0.878
#>  5 Fold05   npv     macro_weighted     0.878
#>  6 Fold06   npv     macro_weighted     0.871
#>  7 Fold07   npv     macro_weighted     0.853
#>  8 Fold08   npv     macro_weighted     0.885
#>  9 Fold09   npv     macro_weighted     0.845
#> 10 Fold10   npv     macro_weighted     0.864

# Vector version
npv_vec(
  two_class_example$truth,
  two_class_example$predicted
)
#> [1] 0.8609865

# Making Class2 the "relevant" level
npv_vec(
  two_class_example$truth,
  two_class_example$predicted,
  event_level = "second"
)
#> [1] 0.8194946
源代碼：R/class-npv.R

相關用法


注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Negative predictive value。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。