文章来源：LinkLab微信公众号引言上一期我们已学习了诊断性试验的常用评价指标，不难看出，在这些指标中，Sen、Spe、+LR 和 -LR属于稳定的指标，Acc为相对稳定指标，而PPV和NPV为不稳定指标。
【作者介绍】李志辉，长期从事各类统计软件应用研究，主编或参编SPSS、MINITAB、STATISTICA多个统计软件教材共8本。代表作：电子工业出版社《SPSS常用统计分析教程(SPSS 22.0中英文版)(第4版)》（2015年）。
ROC曲线的基本思想是把敏感度和特异性看作一个连续变化的过程，用一条曲线描述诊断系统的性能，其制作原理是在连续变量中不同界值点处计算相对应的灵敏度和特异度，然后以敏感度为纵坐标、1-特异性为横坐标绘制一条真阳性率与假阳性率的曲线。
在监督学习建模中有一个重要的模块是模块的检测，就是怎样判断一个模型的好坏？那么常用的的检测的指标有P值、R值、F值、ROC曲线、AUC值等，今天来学习他们都是怎么来的，有什么用处。这里为二分类问题，即只有正例（为1）和负例（为0）。 1、TP为正例中正确预测的值。
准确度 accuracy=TP + TNTP + TN + FP + FN。我们的目标是求概率对，假设预测值为 0.8 的正样本有 10 个，那么低于 0.8 的负样本总数乘以 10 即为这一预测值的概率对，此外，我们还应该计算预测值等于 0.8 的负样本数，假设为 8，这种情况下，此时正负样本概率相等，需要取一半，即 8 * 10 / 2。
1 ROC曲线和AUC从二分类说起，假设我们的样本全集里，所有样本的真实标签label为0或1，其中1表示正样本，0表示负样本，如果我们有一个分类模型，利用它对样本进行了标注，那边我们可以得到下面的划分 TP(true positive)：表示正确的肯定TN( true nega
导语:随着AI产品近年在市场上的热门，AI产品经理也变得抢手了。这些年大家都常常听到人工智能有三大马车，即:数据、算法和算力，其实这个是拆解任何一个人工智能项目或者是问题非常有效的方法，大家务必记住这三个要素，缺一不可，我们后面的实战章节会拿来反复进行验证使用。
