专题2:线性判别分析、诊断的敏感度、特异度及ROC曲线的绘制

更新时间:2023-06-11 19:39:13 阅读: 评论:0

专题2:线性判别分析、诊断的敏感度、特异度及ROC曲线的绘制
一、判别分析
判别分析是利用已知类别的样本建立判别模型,对未知类别的样本判别的一种统计方法。进行判别分析必须已知观测对象的分类和若干表明观测对象特征的变量值。判别分析从中筛选出能提供较多信息的变量并建立判别函数,使得利用推导出的判别函数对观测量判别其所属类别时的错判率最小。
判别函数一般形式是:Y = a1X1+a2X2+a3X3...+anXn
其中: Y 为判别分数(判别值)X1X2X3Xn 为反映研究对象特征的变量,a1a2
a3an 为各变量的系数,也称判别系数。SPSS 对于分为m类的研究对象,建立m-1个线性判别函数。对于每个个体进行判别时,把测试的各变量值代入判别函数,得出判别分数,从而确定该个体属于哪一类。或者计算属于各类的概率,从而判断该个体属于哪—类。
例如:脂肪肝与健康人的判别分析
SPSS中的操作:分析——分类——判别,在判别分析对话框中将是否患有脂肪肝选入分类变量点击定义范围最小值输入0,最大值输入1。之后将所有质量数变量选入自变量,选择使用步进方法进入(根据自变量对判别贡献的大小进行逐步选择)点击分类按钮,在输出选择不考虑该个案的分类进行互交式检验。点击保存按钮,选择判别得分”,方可画出ROC曲线。其他选项默认即可。
祛斑最有效的8个偏方
输出结果如下:
教育教学
输入的/删除的变量a,b,c,d
步骤
输入的
Wilks Lambda
统计量
精确 F
统计量
df1
金牛座的男生
df2
Sig.
1
v55
.935
1
1
896.000
相逢是首歌
62.707阿玛尼粉底
1
896.000
.000
2
v59
.898
2
1
896.000
51.005
2
895.000
.000
3
v42
.862
3
1
896.000
47.685
3
894.000
.000
4
v33
.844
4
1
896.000
41.144
4
893.000
.000
5
v89
.827
5
1
896.000
37.440
5
892.000
.000
6
v117
.819
6
1
896.000
32.818
6
891.000
.000
7
v86
.811
7
1
896.000
29.707
7
890.000
.000
8
v112
.806
8
1
896.000
26.819
8
889.000
.000
9
v23
.802
9
1
896.000
24.419
9
888.000
.000
在每个步骤中,输入了最小化整体 Wilk Lambda 的变量。
a. 步骤的最大数目是 200
b. 要输入的最小偏 F 3.84
c. 要删除的最大偏 F 2.71
d. F 级、容差或 VIN 不足以进行进一步计算。

标准化的典型判别式函数系数
函数
1
v23
.159
v33
-.359
v42
.439
v55
.601
v59
-.474
v86
.227
v89
.314
v112
-.185
v117
.230
辛亥革命纪录片
分类结果b,c
是否患有脂肪肝
预测组成员
合计
0
1
初始
计数
dimension2
0
306描写山水风光的古诗词
119
425
1
170
303
473
%
dimension2
0
72.0
28.0
100.0
1
35.9
64.1
100.0
交叉验证a
计数
dimension2
0
304
121
425
1
174
299
473
%
dimension2
0
71.5
28.5
郑渊洁的作品
100.0
1
36.8
63.2
100.0
a. 仅对分析中的案例进行交叉验证。 在交叉验证中,每个案例都是按照从该案例以外的所有其他案例派生的函数来分类的。
b. 已对初始分组案例中的 67.8% 个进行了正确分类。
c. 已对交叉验证分组案例中的 67.1% 个进行了正确分类。

二、敏感度与特异度
敏感度和特异度是用来说明诊断性试验准确性的两个常用指标。诊断性试验的敏感度越高,漏诊率越低。特异性高的诊断性试验的阳性结果对诊断更有意义。特异度越高,误诊的比例越低。
敏感度(nsitivity)又称真阳性率,即实际有病而按该筛检实验的标准被正确判断为有病的百分比。它反映筛检实验发现病人的能力。
特异度(specificity)又称真阴性率,即实际无病按该诊断标准被正确地判断为无病的百分比。它反映筛检实验确定非病人的能力。
阳性预测值(Positive Predictive Value,PPV)指筛检实验阳性者不患目标疾病的可能性。
阴性预测值(Negative Predictive Value,NPV)指筛检实验阴性者患目标疾病的可能性。
预测
1
0
合计
实际
1
True Positive(TP)
Fal Negative(FN)
Actual Positive(TP+FN)
0
Fasle Positive(FP)
True Negative(TN)
Actual Negative(FP+TN)
合计
Predicted Positive(TP+FP)
Predicted Negative (FN+TN)
TP+FP+FN+TN

本文发布于:2023-06-11 19:39:13,感谢您对本站的认可!

本文链接:https://www.wtabcd.cn/fanwen/fan/82/931828.html

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

标签:判别   诊断   进行   判别函数   实验   分类   案例
相关文章
留言与评论(共有 0 条评论)
   
验证码:
推荐文章
排行榜
Copyright ©2019-2022 Comsenz Inc.Powered by © 专利检索| 网站地图