Liczebność próby: CI dla pola pod krzywą precyzja-czułość
| Polecenie: | Liczebność próby Estymacja przedziału ufności i precyzjaPole pod krzywą precyzja-czułość |
|---|
Oblicza liczebność próby potrzebną do estymacji przedziału ufności dla pola pod krzywą precyzja-czułość (Precision-Recall, AUPRC).
Obliczenie opiera się na pracy Boyd i wsp., 2013 (metoda logitowa). Zobacz Krzywa precyzja-czułość.
Wymagane dane wejściowe
- Poziom ufności (%): wybierz poziom ufności: 90, 95 lub 99%. Poziom ufności 95% (wartość dla 95% przedziału ufności) jest wyborem najczęstszym. W razie potrzeby możesz wprowadzić inny poziom ufności.
- Pole pod krzywą precyzja-czułość: zakładane pole pod krzywą precyzja-czułość (AUPRC, którego oczekuje się w badaniu).
- Pożądana dolna lub górna granica przedziału ufności: ta wartość określa pożądaną szerokość przedziału ufności. Jeśli Twoim celem jest wykazanie, że AUPRC jest większe od określonej wartości, wprowadź wartość dolnej granicy; jeśli Twoim celem jest wykazanie, że AUPRC jest mniejsze od określonej wartości, wprowadź wartość górnej granicy.
- Iloraz liczebności prób w grupie ujemnej / grupie dodatniej: wprowadź pożądany stosunek liczby przypadków ujemnych do dodatnich. Jeśli obie grupy mają mieć tę samą liczbę przypadków, wprowadź 1; jeśli w grupie ujemnej ma być dwa razy więcej przypadków niż w grupie dodatniej, wprowadź 2.
Przykład
Chcesz wykazać, że AUPRC wynoszące 0,55 dla określonego testu jest istotnie większe od wartości 0,4: wprowadzasz więc 0,55 jako pole pod krzywą precyzja-czułość i 0,4 jako pożądaną dolną granicę przedziału ufności. Przewidujesz włączenie 9 razy więcej przypadków ujemnych niż dodatnich, dlatego jako iloraz liczebności prób w grupie ujemnej / grupie dodatniej wprowadzasz 9.
Kliknij Oblicz
W przykładzie potrzeba 43 przypadków w grupie dodatniej i 387 w grupie ujemnej, łącznie 430 przypadków.
Piśmiennictwo
- Boyd K, Eng KH, Page CD (2013) Area under the Precision-Recall Curve: Point Estimates and Confidence Intervals. In: Blockeel H, Kersting K, Nijssen S, Železný F (eds) Machine Learning and Knowledge Discovery in Databases. ECML PKDD 2013. Lecture Notes in Computer Science, vol 8190. Springer, Berlin, Heidelberg.