R yardstick spec 特異性

這些函數計算與參考結果("truth" 或黃金標準)相比的測量係統的spec()(特異性)。高度相關的函數是 sens() 、 ppv() 和 npv() 。

用法

spec(data, ...)

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

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

specificity(data, ...)

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

specificity_vec(
  truth,
  estimate,
  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。
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 spec_vec() ，單個 numeric 值(或 NA )。

細節

特異性衡量被正確識別為陰性的陰性的比例。

當計算的分母為 0 時，特異性未定義。當 # true_negative = 0 和 # false_positive = 0 都為 true 時會發生這種情況，這意味著不存在真正的負數。計算二進製特異性時，將返回 NA 值並帶有警告。計算多類特異性時，單個 NA 值將被刪除，計算將繼續進行，並出現警告。

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
Predicted	Positive	Negative
Positive	A	B
Negative	C	D

這裏使用的公式是：

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 1：敏感性和特異性”，《英國醫學雜誌》，第 308 卷，1552。

也可以看看

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

其他敏感度指標：npv()、ppv()、sens()

作者

馬克斯·庫恩

例子

# Two class
data("two_class_example")
spec(two_class_example, truth, predicted)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 spec    binary         0.793

# Multiclass
library(dplyr)
data(hpc_cv)

hpc_cv %>%
  filter(Resample == "Fold01") %>%
  spec(obs, pred)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 spec    macro          0.886

# Groups are respected
hpc_cv %>%
  group_by(Resample) %>%
  spec(obs, pred)
#> # A tibble: 10 × 4
#>    Resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 Fold01   spec    macro          0.886
#>  2 Fold02   spec    macro          0.882
#>  3 Fold03   spec    macro          0.899
#>  4 Fold04   spec    macro          0.879
#>  5 Fold05   spec    macro          0.881
#>  6 Fold06   spec    macro          0.873
#>  7 Fold07   spec    macro          0.866
#>  8 Fold08   spec    macro          0.884
#>  9 Fold09   spec    macro          0.867
#> 10 Fold10   spec    macro          0.875

# Weighted macro averaging
hpc_cv %>%
  group_by(Resample) %>%
  spec(obs, pred, estimator = "macro_weighted")
#> # A tibble: 10 × 4
#>    Resample .metric .estimator     .estimate
#>    <chr>    <chr>   <chr>              <dbl>
#>  1 Fold01   spec    macro_weighted     0.816
#>  2 Fold02   spec    macro_weighted     0.815
#>  3 Fold03   spec    macro_weighted     0.839
#>  4 Fold04   spec    macro_weighted     0.803
#>  5 Fold05   spec    macro_weighted     0.812
#>  6 Fold06   spec    macro_weighted     0.795
#>  7 Fold07   spec    macro_weighted     0.790
#>  8 Fold08   spec    macro_weighted     0.814
#>  9 Fold09   spec    macro_weighted     0.795
#> 10 Fold10   spec    macro_weighted     0.801

# Vector version
spec_vec(
  two_class_example$truth,
  two_class_example$predicted
)
#> [1] 0.7933884

# Making Class2 the "relevant" level
spec_vec(
  two_class_example$truth,
  two_class_example$predicted,
  event_level = "second"
)
#> [1] 0.879845

源代碼：R/class-spec.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 Specificity。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。

用法

參數

值

細節

相關級別

多級

執行

參考

也可以看看

作者

例子