Hodgepodge记录各种奇怪乱七八糟的东西，Bricklayers自由发挥的地方，有什么希望Bricklayers写的内容，欢迎contact us👏

最下面有分类的tag，可以根据感兴趣的tag看对应内容

ROC、AUC​

• 正确率(Precision):

  $Precision = \frac{TP}{TP + FP}$

• 真阳性率(True Positive Rate, TPR)，灵敏度(`Sensitivity)，召回率(Recall)：

  $Sensitivity = Recall = TPR = \frac{TP}{TP + FN}$

• 真阴性率(True Negative Rate, TNR)，特异度(Specificity):

  $Specificity = TNR = \frac{TN}{FP + TN}$

• 假阴性率(False Negatice Rate, FNR)，漏诊率(= 1 - 灵敏度)：

  $FNR = \frac{FN}{TP + FN}$

• 假阳性率(False Positice Rate, FPR)，误诊率(= 1 - 特异度)：

  $FPR = \frac{FP}{FP + TN}$

• 阳性似然比(Positive Likelihood Ratio (LR+) )：

  $LR+ = \frac{TPR}{FPR} = \frac{Sensitivity}{1-Specificity}$

• 阴性似然比(Negative Likelihood Ratio (LR-) )：

  $LR- = \frac{FNR}{TNR} = \frac{1-Sensitivity}{Specificity}$

• Youden指数(Youden index):

  Youden index = Sensitivity + Specificity - 1 = TPR - FPR

如下面这幅图，(a)图中实线为ROC曲线，线上每个点对应一个阈值

(a) 理想情况下，TPR应该接近1，FPR应该接近0。ROC曲线上的每一个点对应于一个threshold，对于一个分类器，每个threshold下会有一个TPR和FPR

比如threshold最大时，TP=FP=0，对应于原点；threshold最小时，TN=FN=0，对应于右上角的点(1, 1)

• 横轴FPR：1-TNR，1-Specificity，FPR越大，预测正类中实际负类越多
• 纵轴TPR：Sensitivity(正类覆盖率)，TPR越大，预测正类中实际正类越多
• 理想目标：TPR=1，FPR=0，即图中(0, 1)点，故ROC曲线越靠拢(0, 1)点，越偏离45度对角线越好，Sensitivity、Specificity越大效果越好

(b) P和N得分不作为特征间距离d的一个函数，随着阈值theta增加，TP和FP都增加

机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率

模型评估指标AUC（area under the curve）_Webbley的博客-CSDN博客_auc指标

Delong’s test​

比较AUC显著性差异

Delong test_liuqiang3的博客-CSDN博客_delong检验

McNemar’s test​

如何计算McNemar检验，比较两种机器学习分类器 - 腾讯云开发者社区-腾讯云

C-index​

临床研究中常用的评价指标AUC和C-index

Topic 13. 临床预测模型之一致性指数 (C-index)

P-value、confidence interval​

显著性检验：P值和置信度Chipei Kung的博客-CSDN博客显著性检验p值

灵敏度和特异度的置信区间怎么算？mjiansun的博客-CSDN博客敏感性置信区间

Non-inferiority​

临床试验中如何选择非劣效界值

T-test​

t-test

Kappa指数​

kappa系数_百度百科

Kappa系数简单介绍_gltangwq的博客-CSDN博客_kappa值

多分类AUC​

多分类ROC曲线及AUC计算脚踏实地仰望星空的博客-CSDN博客多分类roc曲线

【转】LaTeX 符号命令大全

1. 把下标放在某个文字或者符号正下方 \limits

   符号是数学符号：\sum\limits _{i=0}^n {x_i} $\Rightarrow$

   $\sum\limits_{i=0}^n {x_i}$

   不是数学符号： \mathop{argmin}\limits _{w,b} L(w,b) $\Rightarrow$

   $\mathop{argmin}\limits_{w,b} L(w,b)$

2. 偏导符号：\partial

   \frac{\partial }{\partial w} $\Rightarrow$ $\frac{\partial }{\partial w}$

3. 箭头

   \leftarrow $\leftarrow$

   \rightarrow $\rightarrow$

   \Leftrightarrow $\Leftrightarrow$

   \leftrightarrow $\leftrightarrow$

   \Rightarrow $\Rightarrow$

4. 括号

   ( \frac{1}{2} ) $\Rightarrow$ $( \frac{1}{2} )$

   \left( \frac{1}{2} \right) $\Rightarrow$ $\left( \frac{1}{2} \right)$

5. 矩阵

   \begin{matrix} w \\ b \end{matrix}** $\Rightarrow$ $\begin{matrix} w \\ b \end{matrix}$

6. 取整函数/取顶函数

   \left \lfloor \frac{a}{b} \right \rfloor $\Rightarrow$ $\left\lfloor \frac{a}{b} \right \rfloor$

   \left \lceil\frac{c}{d} \right \rceil $\Rightarrow$ $\left \lceil\frac{c}{d} \right \rceil$

7. 大于等于、小于等于

   \geq 、\leq $\Rightarrow$ $\geq$ $\leq$