第二章贝叶斯决策理论2014资料.ppt

* 第二章 贝叶斯决策理论 6）定义损失数组为loss[10][10] 2.6.3 基于最小风险的Bayes分类实现 * 第二章 贝叶斯决策理论 7）计算每一类的损失risk[i] 2.6.3 基于最小风险的Bayes分类实现 * 第二章 贝叶斯决策理论 2、效果图 2.6.3 基于最小风险的Bayes分类实现 * 2.7 两类错误率与ROC曲线 第二章 贝叶斯决策理论 * 1.4 模式识别系统 第一章 绪论 一个典型的模式识别系统（监督模式识别） 一个典型的模式识别系统一般由数据获取，预处理，特征提取选择、分类决策及分类器设计五部分组成。 分类器设计在训练过程中完成，利用样本进行训练，确定分类器的具体参数。而分类决策在识别过程中起作用，对待识别的样本进行分类决策。 * 阳性：表示某一症状存在，或者检测到某一指标 的异常 ＋ 阴性：表示所考查的症状不存在或者所监测的指标没有异常。 － * 真阳性和真阴性：正确的分类 假阳性率（false positive rate）表示假阳性样本占总阴性样本的比例。 假阴性率（false negative rate）表示假阴性样本占总阳性样本的比例。 假阳性和假阴性：错误的分类!! 对应的两类错误率：假阳性率、假阴性率 * Sn — 敏感性 Sp — 特异性 Tp是真阳性样本的个数；Tn为真阴性样本的个数； Fn是假阴性样本的个数；Fp是假阳性样本的个数。 评价一种检测方法的效果，常用两个概念：灵敏度（敏感性）和特异度 Sn表示真正的阳性样本中有多少比例 能被正确检测出来。表示研究方法把 阳性样本正确识别出来的能力。 Sp表示真正的阴性样本中有多少比例 没有被误判。表示研究方法把阴性样 本正确识别出来的能力。 * 诊断试验的敏感性和特异性 任何一个诊断试验在准确性方面都有二个基本特性：敏感性(sensitivity)和特异性(specificity)。 敏感性：指在金标准诊断的病例组内，由诊断试验检出阳性数的比例，余下的即为假阴性(false negative)患者，或称为漏诊(missed diagnosis)患者，假阴性率又称为漏诊率。 敏感性和假阴性率互补：敏感性＝1-假阴性率。 特异性：指在金标准确诊为无该病的对照组内，由诊断试验检出阴性结果人数的比例，余下的即为假阳性(false positive)患者，或称为误诊(misdiagnosis)患者，假阳性率又称为误诊率。 特异性和假阳性率互补：特异性＝1-假阳性率。 * 敏感性高的试验适用于： 疾病漏诊可能造成严重后果者 同时有几个诊断假设时，为了排除某病的诊断 用于筛检无症状的病人而该病的发病率又比较低 当试验结果呈阴性时，敏感性高的试验临床价值较大 特异性高的试验适用于： 凡阳性结果会导致病人精神和肉体上严重危害时 要肯定诊断时 当试验结果呈阳性时，特异性高的试验临床价值较大 敏感性和特异性作用 * 对于一个实用程序，既要求有较高的敏感性，也要求有较高的特异性。 如果敏感性很高，但特异性比较低，则在实际应用中会产生高比率的假阳性； 相反，如果特异性很高，而敏感性比较低，则会产生高比率的假阴性。 对于敏感性和特异性需要进行权衡，给出综合评价指标。 敏感性和特异性的权衡 * 对应的两类错误率：假阳性率、假阴性率 假阳性率（统计学中，第一类错误， ）表示假阳性样本占总阴性样本的比例。真实的阴性样本被错误判断为阳性的比例。 1－Sp （特异性） 假阴性率（统计学中，第二类错误， ）表示假阴性样本占总阳性样本的比例。真实的阳性样本被错误判断为阴性的比例。1－Sn （灵敏性） * Sensitivity=TP/(TP+FN) Specificity=TN/(TN+FP) False negative rate (FNR) =FN/(TP+FN) =1-Sensitivity =rate of missed diagnosis False positive rate (FPR) =FP/(TN+FP) =1-Specificity =misdiagnosis rate Accuracy准确率=(TP+TN)/（TP + FN + FP + TN ） Sensitivity and Specificity * 第二章 贝叶斯决策理论 * 第二章 贝叶斯决策理论 * 第二章 贝叶斯决策理论 03 纵坐标：真阳性率（灵敏度Sn） 横坐标： 假阳性率 （1－Sp） ROC曲线反映随着阈值变化两类错误率的变化情况。 * Receive Operater Characteristic Curve (ROC curve) * Receive