Qu'est-ce que la spécificité et la sensibilité dans la régression logistique ?
Qu'est-ce que la spécificité et la sensibilité dans la régression logistique ?

Vidéo: Qu'est-ce que la spécificité et la sensibilité dans la régression logistique ?

Vidéo: Qu'est-ce que la spécificité et la sensibilité dans la régression logistique ?
Vidéo: StatQuest: Logistic Regression 2024, Juin
Anonim

Ces deux valeurs sont appelées Sensibilité et Spécificité . Sensibilité = d/(c+d): La proportion de positifs observés qui étaient prédits comme positifs. Spécificité = a/(a+b): La proportion de négatifs observés qui étaient prédits comme négatifs.

De cette façon, qu'est-ce que la spécificité dans la régression logistique ?

Spécificité (également appelé taux de vrais négatifs) mesure la proportion de négatifs qui sont correctement identifiés comme tels (par exemple, le pourcentage de personnes en bonne santé qui sont correctement identifiées comme n'ayant pas la condition), et est complémentaire au taux de faux positifs.

Sachez également, qu'est-ce que la sensibilité et la spécificité de R ? Calculer Sensibilité , Spécificité et valeurs prédictives sensibilité est défini comme la proportion de résultats positifs sur le nombre d'échantillons qui étaient réellement positifs. De même, lorsqu'il n'y a pas de résultats négatifs, spécificité n'est pas défini et une valeur NA est renvoyée.

De même, se demande-t-on, qu'est-ce que la spécificité et la sensibilité ?

Dans le diagnostic médical, testez sensibilité est la capacité d'un test à identifier correctement les personnes atteintes de la maladie (taux de vrais positifs), alors que le test spécificité est la capacité du test à identifier correctement les personnes sans la maladie (taux de vrais négatifs).

Qu'est-ce que la sensibilité et la spécificité dans la matrice de confusion ?

Sensibilité et spécificité Nous divisons le nombre de vrais positifs par le nombre de tous les événements positifs dans l'ensemble de données: les événements de classe positifs prédits correctement (TP) et les événements de classe positifs prédits de manière incorrecte (FN).

Conseillé: