Estadísticas :: Roc Estadísticas :: ROC es un módulo PERL con curvas características del operador receptor (ROC) con límites de confianza no paramétrica.
Descargar ahora

Estadísticas :: Roc Clasificación y resumen

Estadísticas :: Roc Etiquetas

receptor Módulo perl operador Estadísticas de Roc

Estadísticas :: Roc Descripción

Estadísticas :: ROC es un módulo Perl con curvas características del operador receptor (ROC) con límites de confianza no paramétrica. Estadísticas :: ROC es un módulo de Perl con el receptor-operador característico (ROC) curvas con confianza no paramétrico bounds.SYNOPSIS uso de estadísticas :: ROC; mi ($ y) = loggamma ($ x); mi ($ y) = betaína ($ x, $ p, q $, $ beta); mi ($ y) = betaína ($ x, $ p, $ q); mi ($ y) = xinbta ($ p, $ q, $ beta, $ alfa); mi ($ y) = Xinbta ($ p, $ q, $ alfa); mi (@rk) = rango ($ tipo, @r); mi (@ROC) = ROC ($ model_type, conf $, @ val_grp); Este programa determina la curva ROC y sus límites de confianza no paramétrico para datos clasifica en dos grupos. Una curva ROC muestra la relación de la probabilidad de falsa alarma (eje x) a la probabilidad de detección (eje y) para una determinada prueba. Expresado en términos médicos: la probabilidad de una prueba positiva, dado sin enfermedad a la probabilidad de una prueba positiva, enfermedad dada. La curva ROC se puede usar para determinar un punto de corte óptimo para la función principal test.The es roc (). Las otras funciones exportadas son utilizados por roc (), pero podrían ser útiles para otros procedures.loggammaThis estadísticos evalúa procedimiento no paramétricos el logaritmo natural de gamma (x) para todo x> 0, precisión de 10 cifras decimales. fórmula Stirlings se utiliza para la parte polinomio central del procedimiento. Para x = 0 se devolverá un valor de 743,746924740801: esto es loggamma (9.9999999999E-324) .betainComputes incompleta beta relación de función Observaciones: la función completa de beta: B (p, q) = gamma (p) * gamma (q) / gamma (p + q) log (B (p, q)) = ln (gamma (p)) + ln (gamma (q)) - ln (gamma (p + q)) incompleto relación de función beta: I_x (p, q) = 1 / B (p, q) * int_0 ^ xt ^ {p-1} * (1-t) ^ {dt q-1} -> log (B (p, q)) tiene que ser suministrado para calcular I_x (p, q) log denota el logaritmo natural $ beta = log (B (p, q)) $ x = x $ p = p $ q = q los retornos de subrutinas I_x (p, q). Si se produce un error un valor negativo {-1, -2} es returned.BetainComputes la función beta incompleta llamando loggamma () y betaína () xinbtaComputes inversa de incompletas relación de función beta Observaciones:. Completa de la función beta: B (p, q ) = gamma (p) * gamma (q) / gamma (p + q) log (B (p, q)) = ln (gamma (p)) + ln (gamma (q)) - ln (gamma (p + q)) incompleto relación beta función: alfa = I_x (p, q) = 1 / B (p, q) * int_0 ^ xt ^ {p-1} * (1-t) ^ {q-1} dt - > log (B (p, q)) tiene que ser suministrado para calcular I_x (p, q) de registro denota el logaritmo natural $ beta = log (B (p, q)) $ alfa = I_x (p, q) $ p p = q = $ q Los retornos de subrutinas x. Si se produce un error un valor negativo {-1, -2, -3} es returned.XinbtaComputes la inversa de la función beta incompleta llamando loggamma () y xinbta (). RankComputes las filas de los valores especificados como el segundo argumento ( una matriz). Devuelve un vector de filas correspondientes al vector de entrada. diferentes tipos de puntaje posible ( 'alto', 'bajo', 'medio'), y se especifican como primer argumento. Estos difieren en la forma en lazos del vector de entrada, es decir, valores idénticos, se tratan: alta: sustituir filas de valores idénticos con su más alto ranklow: sustituir filas de valores idénticos con sus precios más rankmean: sustituir filas de valores idénticos con la media de su ranksrocDetermines la curva ROC y sus límites de confianza no paramétricos. La curva muestra ROC la relación de "probabilidad de falsa alarma" (eje x) para "probabilidad de detección" (eje y) para una determinada prueba. O en términos médicos: la "probabilidad de un resultado positivo, dado ninguna enfermedad" a la "probabilidad de una prueba positiva, determinada enfermedad". La curva ROC se puede usar para determinar una "óptima" punto de corte para la rutina test.The toma tres argumentos: (1) tipo de modelo: 'disminuir' o 'aumentar', esto establece la suposición de que un más alto ( 'aumento' ) valor de los datos tiende a ser un indicador de un resultado de prueba positivo o para el modelo 'disminución' un valor inferior. (intervalo de confianza 2) de dos caras (por lo general se elige 0,95). (3) los datos almacenados como una lista -de-listas: cada entrada en esta lista consiste de un "/ true grupo valor" par, es decir, valor / enfermedad presente. valores de grupo son de {0,1}. 0 representa enfermedad (o señal) no presente (conocimiento previo) y 1 para la enfermedad (o señal) presente (conocimiento previo). Ejemplo: @s = (, , , , , ); Note la pequeña superposición de los grupos. El punto óptimo de corte para separar los dos grupos serían entre 9 y 9,5 si el criterio de optimalidad es maximizar la probabilidad de detección y al mismo tiempo reducir al mínimo la probabilidad de falsas alarm.Returns una lista-de-listas con las tres curvas: @ROC = (, , ) cada una de las curvas es de nuevo una de lista de listas con cada entrada que consiste en uno (x, y) pair.Examples: $, =" "; imprimir loggamma (10), "n"; imprimir Xinbta (3,4, Betaína (.6,3,4)), "n"; @ E = (0,7, 0,7, 0,9, 0,6, 1,0, 1,1, 1, 0,7, 0,6); imprimir rango ( 'baja', @ e), "n"; imprimir rango ( 'alto', @ e), "n"; imprimir rango ( 'media', @ e), "n"; @var_grp = (, , , , , , , , , , , , , ); @ Curvas = roc ( 'disminución', 0,95, @ var_grp); print "$ curvas $ curvas n"; Requisitos: · Requisitos de Perl: · Perl

Estadísticas :: Roc Software relacionado