111 votos

¿Cuál es la mejor manera de recordar la diferencia entre sensibilidad, especificidad, precisión, exactitud y recuerdo?

A pesar de haber visto estos términos 502847894789 veces, no puedo recordar la diferencia entre sensibilidad, especificidad, precisión, exactitud y recuerdo. Son conceptos bastante simples, pero los nombres son muy poco intuitivos para mí, así que sigo confundiéndolos entre sí. ¿Cuál es una buena manera de pensar en estos conceptos para que los nombres empiecen a tener sentido?

Dicho de otro modo, ¿por qué se eligieron estos nombres para estos conceptos, en lugar de otros?

5 votos

La mejor manera de recordarlo es recordando un estudio de la vida real en el que tal o cual característica estaba en el punto de mira. Es decir, la carne contextual ayuda.

4 votos

Para mí, la mejor manera de recordar estos conceptos es a través de la tabla de contingencia 2×2 dentro del Enlace a Wikipedia .

2 votos

@ttnphns: ¡"carne contextual" es una gran errata!

73voto

ra170 Puntos 531

Para la precisión y la recuperación, cada una es el verdadero positivo (TP) como numerador dividido por un denominador diferente.

  • P recisión: TP / P redicted positive
  • R ecall: TP / R eal positivo

2 votos

TP/TN/FN/FP son bien llamados, se explican por sí mismos si se recuerda que Verdadero/Falso se refiere a la corrección y Positivo/Negativo es la verdad del mundo real.

24voto

Franck Dernoncourt Puntos 2128

Personalmente, recuerdo la diferencia entre precisión y recuerdo (también conocida como sensibilidad) pensando en la recuperación de información:

  • La recuperación es la fracción de documentos relevantes para la consulta que se recuperan con éxito, de ahí su nombre (en inglés recall = la acción de recordar algo).
  • La precisión es la fracción de los documentos recuperados que son relevantes para la necesidad de información del usuario. De alguna manera, si se hacen unos cuantos disparos y la mayoría de ellos dan en el blanco (documentos relevantes), la precisión es alta, independientemente del número de disparos (número de documentos recuperados).

1 votos

Cuando se dice "independientemente del número de disparos (número de documentos recuperados)", parece que la precisión es independiente del número de predicciones positivas totales, pero : Precisión=TP/Predicciones positivas.

23voto

Neal Puntos 316

La mnemotecnia elimina limpiamente la única némesis del hombre: el insuficiente almacenamiento cerebral.

Hay SNOUT SPIN:

  • A S e n sitive test, cuando N eglas de la ética OUT enfermedad
  • A Sp a prueba específica, cuando P ositivo, normas EN una enfermedad.

Me imagino a un cerdo dando vueltas en una centrifugadora, tal vez en preparación para ir al espacio, para ayudarme a recordar esta mnemotecnia. Tarareando el tema de Giro de la cola con las palabras convenientemente cambiadas puede ayudar a los inclinados a la música de cierta generación.

No tengo conocimiento de ninguna otra.

0 votos

Las reglas de SNOUT y SPIN son engañosamente simples. Realmente debería tener buenas estimaciones de la sensibilidad, la especificidad y la prevalencia antes de confiar en un resultado positivo o negativo de una prueba, por muy sensible o específica que sea. Consulte este sitio web: kennis-research.shinyapps.io/Bayes-App . Por ejemplo, introducir una prevalencia de 5 por 1.000. sensibilidad = 0,90, especificidad = 0,99 produce (mediante la regla de Bayes) un valor predictivo positivo relativamente bajo de 0,2857.

10voto

Ochado Puntos 126

Estoy de acuerdo en que los términos son muy poco intuitivos y difíciles de corresponder con sus fórmulas. Aquí están los trucos mnemotécnicos que he desarrollado.

Nota:

  • TP = verdaderos positivos
  • TN = verdaderos negativos
  • FP = falsos positivos
  • FN = falsos negativos

Aquí está la forma abreviada de mis mnemotecnias; los detalles a continuación explican la lógica subyacente, lo que debería ayudar a memorizar lo que significan:

  • Precisión : predicciones correctas divididas por todas las predicciones: TP+TN/(TP+FP+FP+FN)
  • Precisión y recuperación : centrarse en los verdaderos aspectos positivos
    • PRE ción es TP dividido por PRE dicta positivo: TP/(TP+FP)
    • RE c A ll es TP dividido por REA l positivo: TP/(TP+FN)
  • Sensibilidad y especificidad : centrarse en las predicciones correctas
    • SNIP ( S e N sitividad I s P ositivo): TP/(TP+FN)
    • SPIN ( SP ecificiencias I s N egativo): TN/(TN+FP)

Los detalles que siguen proporcionan la lógica subyacente para estos, basada en el significado esencial de cada medida.

Precisión: resultados globales

La exactitud es en realidad bastante intuitiva y no suele presentar ninguna dificultad de memorización. Se trata simplemente de las predicciones correctas (verdaderas) divididas entre todas las predicciones, ya sean verdaderas o falsas.

$$ Accuracy = \frac{correct\:predictions}{all\:predictions} = \frac{TP + TN}{TP + TN + FP + FN} $$

Precisión y Recall: centrarse en los verdaderos positivos

La esencia de la precisión y el recuerdo es que ambos consideran la proporción de positivo verdadero es decir, son dos formas diferentes de medir cuántas veces ha acertado el modelo. Por tanto, TP es siempre el numerador. La diferencia entre ellos está en el denominador: mientras que la precisión considera todos los valores que se predijeron como positivos (ya sea correctamente o no), el recuerdo considera todos los valores que realmente son positivos (ya sea correctamente predicho o no).

La precisión es la proporción de predicciones positivas que fueron correctas: $$ Precision = \frac{true\:positive}{\pmb P\pmb R\pmb E dicted\:positive} = \frac{TP}{TP + FP} $$

La recuperación es la proporción de positivos reales o reales que se predijeron correctamente: $$ Recall = \frac{true\:positive}{\pmb R\pmb E\pmb A l\:positive} = \frac{TP}{TP + FN} $$

Para diferenciarlos, puedes recordar:

  • PRE ción es TP dividido por PRE dicta positivo
  • RE c A ll es TP dividido por REA l positivo

Sensibilidad y especificidad: centrarse en las predicciones correctas

La esencia de la sensibilidad y la especificidad es que ambas se centran en la proporción de predicciones correctas . Así, el numerador es siempre una medida de las predicciones verdaderas y el denominador es siempre todo el total de predicciones correspondientes de esa clase. Mientras que la sensibilidad mide la proporción de predicciones positivas correctas de todos los valores positivos reales, la especificidad mide la proporción de predicciones negativas correctas de todos los valores negativos reales.

La sensibilidad es la proporción de positivos reales que se predijeron correctamente: $$ Sensitivity = \frac{true\:\pmb Positive}{real\:\pmb Positive} = \frac{TP}{TP + FN} $$ (Obsérvese que, aunque las fórmulas de Recall y Sensitivity son matemáticamente idénticas, cuando el recall se empareja con la precisión y la sensibilidad con la especificidad, las interpretaciones y aplicaciones de las dos medidas son bastante diferentes).

La especificidad es la proporción de negativos reales que se predijeron correctamente: $$ Specificity = \frac{true\:\pmb Negative}{real\:\pmb Negative} = \frac{TN}{TN + FP} $$

Para recordar cuál es cuál, recuerda "recortar y girar", pero ten en cuenta que las letras P y N se intercambian (es decir, giran y se recortan los extremos de los nombres largos):

  • SNIP ( S e N sitividad I s P ositivo)
  • SPIN ( SP ecificiencias I s N egativo)

8voto

cwheeler33 Puntos 562

En el contexto de la clasificación binaria:

Precisión - ¿Cuántos casos ha etiquetado correctamente el modelo?

Recall - ¿Con qué frecuencia el modelo fue capaz de encontrar positivos?

Precisión - ¿Qué tan creíble es el modelo cuando dice que una instancia es positiva?

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X