ノミナル ロジスティック フィットのヘルプ: 混同行列と ROC テーブル出力?JMP コミュニティの皆様、こんにちは。
私はノミナル ロジスティック フィットを研究して、臨床治療の結果を予測するためのベースライン バイオマーカーの値を決定しています。
混同行列の概念は理解できたと思います。これは、トレーニング データ セットの特定のモデルの真陽性、真陰性、偽陽性、および偽陰性の数を返します。また、定義されている場合は検証セットも返します。 ただし、混同マトリックスを ROC テーブル (最大感度 - (1 - 特異度) 値) からの最良の結果と比較すると、2 つを調整するのに苦労します。
たとえば、混同行列が返す ROC AUC = 0.654 (かなり弱い関連性) のモデルがあります。
| | | 予測された | 予測された |
| | | はい | いいえ |
| 実際 | はい | 1 | 82 |
| 実際 | いいえ | 1 | 278 |
--> これは本当に悪いことです (実際には、ROC AUC 値の予想よりも最悪です)。
同じモデルの場合、ROC テーブルの SENSITIVITY と SPECIFICITY の最適な組み合わせは次のとおりです。
| 問題 | 1-SPEC | センス | SENS - (1-SPEC) | 真の位置 | 真否定 | 偽の位置 | 偽否定 |
| 0.2797 | 0.2437 | 0.5060 | 0.2623 | 42 | 211 | 68 | 41 |
--> これはかなり悪い結果ですが、ROC AUC = 0.654 のモデルの予想される結果とより一致しています。
だから、私の質問は次のとおりです。
- 混同行列と ROC テーブルの「最良」の行の主な違いは何ですか?
- 前者が最高の確率を使用し、後者が最高の SENSITIVITY と SPECIFICITY の組み合わせを使用しているためですか?
- これらの結果を提示するとしたら、陽性的中率と陰性的中率を提示するための最良の選択肢は何ですか?
ご協力ありがとうございました。
心から、
TS
Re: Nominal Logistic Fit: Confusion Matrix と ROC テーブルの出力について教えてください。混同行列と ROC は異なります。 説明されているように、混同マトリックスを理解しています。 この例では、実質的に感度はありません (1/83) が、非常に優れた特異性 (278/279) です。
ROC は感度と特異度の両方を同時に評価するため、全体としては偶然よりも少し良く見えます (AUC = 0.654)。
混同行列は 1 つのカットオフに対するものであり、ROC 曲線は最大の分離を生成する観測を含む各観測をカットオフとして使用します。
