Estatísticas :: ROC. Statistics :: roc é um módulo Perl com curvas de características do operador de receptor (ROC) com limites de confiança não paramétricos.
Baixe Agora

Estatísticas :: ROC. Classificação e resumo

Estatísticas :: ROC. Tag

recebedor Módulo Perl. operador Estatísticas ROC.

Estatísticas :: ROC. Descrição

Estatísticas :: Roc é um módulo Perl com curvas de características do operador de receptor (ROC) com limites de confiança não paramétricos. Estatísticas :: ROC é um módulo Perl com receptor-operador-characteristic (ROC) curvas com não paramétrico confiança bounds.SYNOPSIS uso Estatísticas :: ROC; my ($ y) = loggamma ($ x); minha ($ y) = betaína ($ X, $ p, q $, $ beta); minha ($ y) = betaína ($ X, $ p, $ q); minha ($ y) = xinbta ($ p, q $, $ beta, alfa $); minha ($ y) = Xinbta ($ p, q $, $ alfa); meu (@rk) = posto ($ type, @r); meu (@ROC) = roc ($ model_type, $ conf, @ val_grp); Este programa determina a curva ROC e os seus limites de confiança não paramétricos para dados classificados em dois grupos. Uma curva ROC mostra a relação de probabilidade de falso alarme (eixo dos x) para a probabilidade de detecção (eixo y) para um determinado ensaio. Expresso em termos médicos: a probabilidade de um teste positivo, dada nenhuma doença para a probabilidade de um teste positivo, dada doença. A curva ROC pode ser utilizado para determinar um ponto de corte para a função principal é test.The ROC (). As outras funções exportadas são usados por roc (), mas pode ser útil para outros procedures.loggammaThis estatísticos procedimento avalia não paramétricos o logaritmo natural de gama (x) para todo x> 0, com precisão de 10 casas decimais. fórmula Stirlings é utilizado para a parte central do polinomial procedimento. Para x = 0 um valor de 743,746924740801 será devolvido: este é loggamma (9.9999999999E-324) .betainComputes incompleta beta relação de função Observações: função beta completa: B (p, q) = gama (p) * gama (q) / gama (p + q) de log (B (p, q)) = ln (gama (p)) + ln (gama (q)) - ln (gama (p + q)) rácio função beta incompleta: I_x (p, q) = 1 / B (p, q) * int_0 ^ xt ^ {p-1} * (1-t) ^ {Q-1} dt -> log (B (p, q)) tem de ser fornecido para calcular I_x (p, q) log indica o logaritmo natural $ beta = log (B (p, q)) $ x = x $ p = p $ q = q a sub-rotina retorna I_x (p, q). Se ocorrer um erro um valor negativo {-1, -2} é returned.BetainComputes a função beta incompleta chamando loggamma () e betaína () xinbtaComputes inversos de incompletos função beta relação Observações:. Função beta completa: B (p, q ) = gama (p) * gama (q) / gama (p + q) de log (B (p, q)) = ln (gama (p)) + ln (gama (q)) - ln (gama (p + q)) Incompleto beta proporção função: alfa = I_x (p, q) = 1 / B (p, q) * int_0 ^ xt ^ {p-1} * (1-t) ^ {Q-1} dt - > log (B (p, q)) tem de ser fornecida para calcular I_x (p, q) log indica o logaritmo natural $ beta = log (B (p, q)) $ alfa = I_x (p, q) $ P = p $ q = q As sub-rotina retorna x. Se ocorrer um erro um valor negativo {-1, -2, -3} é returned.XinbtaComputes o inverso da função beta incompleta por ligando loggamma () e xinbta (). RankComputes as fileiras dos valores especificados como o segundo argumento ( uma matriz). Retorna um vetor de fileiras correspondentes ao vetor de entrada. são diferentes tipos de classificação possível ( 'alto', 'baixo', 'média'), e são especificadas como primeiro argumento. Estes diferem na forma como as amarras do vector de entrada, ou seja, valores idênticos, são tratados: elevado: substituir fileiras de valores idênticos com a sua maior ranklow: substituir fileiras de valores idênticos com as suas mais baixas rankmean: substituir fileiras de valores idênticos com a média do seu ranksrocDetermines a curva ROC e os seus limites de confiança não paramétricos. As curvas ROC mostra a relação de "probabilidade de alarme falso" (eixo dos x) para "probabilidade de detecção" (eixo y) para um determinado ensaio. Ou em termos médicos: a "probabilidade de um teste positivo, dada nenhuma doença" para a "probabilidade de um teste positivo, determinada doença". A curva ROC pode ser utilizado para determinar um ponto de corte "ideal" para a rotina test.The leva três argumentos: (1) Tipo de modelo: 'diminuir' ou 'aumento', este afirma o pressuposto de que uma mais elevada ( 'aumento' ) o valor dos dados tende a ser um indicador de um resultado de teste positivo, ou para o modelo 'diminuição' um valor inferior. (intervalo de confiança de dois) de dois lados (normalmente 0,95 é escolhido). (3) os dados armazenados como uma lista -of-listas: cada entrada nesta lista consits de um "verdadeiro grupo valor /" par, isto é, valor / doença presente. Os valores do Grupo estão entre {0,1}. 0 significa doença (ou de sinal) não presente (conhecimento prévio) e um para a doença (ou de sinal) presente (conhecimento prévio). Exemplo: @s = (, , , , , ); Observe a pequena sobreposição dos grupos. O ponto óptimo de corte para separar os dois grupos seria entre 9 e 9,5, se o critério de optimality é para maximizar a probabilidade de detecção e, simultaneamente, minimizar a probabilidade de falsas alarm.Returns uma lista-de-listas com os três curvas: @ROC = (, , ) cada uma das curvas é novamente uma lista-de-listas com cada entrada que consiste de um (x, y) pair.Examples: $, =" "; imprimir loggamma (10) "n",; imprimir Xinbta (3,4, betaína (.6,3,4)), "n"; @ E = (0,7, 0,7, 0,9, 0,6, 1,0, 1,1, 1, 0,7, 0,6); imprimir rank ( 'baixa', @ e) "n",; imprimir rank ( 'alta', @ e), "n"; imprimir rank ( 'média', @ e) "n",; @var_grp = (, , , , , , , , , , , , , ); @ = Curvas ROC ( 'diminuição', 0,95, @ var_grp); print "$ curvas $ curvas n"; Requisitos: · Requisitos Perl: · Perl.

Estatísticas :: ROC. Software Relacionado