AUC的不一致性分析
评分卡模型时间外样本选择标准
评分卡模型时间外样本选择标准评分卡（Scoring Card）模型是风控领域应用广泛的一种评估信用违约风险的方法。
评分卡模型的建立离不开样本选择，而样本选择又分为训练样本和时间外样本，其中，对于时间外样本的选择对于评估模型的准确性至关重要。
本文将介绍评分卡模型时间外样本的选择标准。
1. 时间外样本的定义时间外样本（Out-of-Time Sample）指的是在模型训练完成之后，按照一定的时间点或时间段将数据划分为训练样本和试验样本两部分，试验样本即为时间外样本。
时间外样本的目的是验证模型在新样本上的稳定性和预测能力。
(1) 独立性原则：时间外样本必须与训练样本相互独立。
这意味着时间外样本的分布和训练样本的分布应该是相似或相同的，避免出现对模型的过度拟合或欠拟合。
(2) 时间一致性原则：时间外样本的数据应该是在模型建立过程之后采集的新数据，而且在建模期与时间外样本之间不存在因变量Y的相关性。
(3) 数据可用性原则：时间外样本的数据应该是可获取的，而且在实际应用中也会出现的。
如果数据不可用，就不能保证时间外样本的结果与实际情况的一致性。
(1) 简单随机抽样法：从全部数据样本中随机抽取一部分作为时间外样本，这样做的好处是可以保证随机性和平均性，但抽样比例不能过大，否则可能会影响模型的稳定性。
(2) 时间序列法：按时间顺序划分出一段时间作为训练样本，而后面的时间作为时间外样本。
这种方法在时序模型中应用比较广泛，可以有效的避免模型对未来的过拟合。
(3) 分层抽样法：根据数据的特征属性（如年龄、职业，收入等）将样本分层，分别选取一部分样本作为时间外样本，这种方法可以保证样本的特点在时间上的一致性。
在完成时间外样本的选取之后，需要对模型的稳定性和预测能力进行检验，这里介绍两个主要的指标：(1) KS值：KS指标是评估分类模型好坏的一种重要指标，它根据正负样本的累积比例曲线，判断两者之间的距离是否越大，则说明模型的预测能力越好。
溶出曲线和auc曲线
溶出曲线和auc曲线-概述说明以及解释1.引言1.1 概述溶出曲线和AUC曲线是药物研究与开发领域中常用的分析工具，用于评价药物的释放行为和药物在体内的药代动力学特性。
溶出曲线描述了药物在给定时间内从药物制剂释放出来的量与时间的关系，而AUC曲线则反映了药物在体内的药物浓度与时间的关系。
溶出曲线是通过体外溶出实验得到的，通常使用离体释放试验来模拟人体内的药物释放过程。
在离体释放试验中，将药物制剂置于适宜的媒介中，通过连续采样测定药物的释放量，并以时间为横坐标、释放量为纵坐标来绘制溶出曲线。
溶出曲线的形状和斜率可以反映药物的溶解性、释放速率和释放机制等信息。
因此，溶出曲线是评价药物制剂质量和控释性能的重要指标。
AUC曲线是通过体内测定得到的，反映了药物在人体内的吸收、分布、代谢和排泄等过程。
AUC即药物浓度-时间曲线下方的面积，表示单位时间内血浆中药物浓度的累积。
AUC曲线常用于评价药物的生物利用度、药物动力学特性和药效等参数，并可提供药物的体内药代动力学特征，为药物在体内的有效浓度和持续时间提供了关键信息。
AUC曲线还可用于比较不同药物或不同给药方式下药物的药代动力学特性，以及评估参数之间的相关性。
本文将深入探讨溶出曲线和AUC曲线的定义、原理、实验方法和数据分析等方面的内容，并重点讨论二者的应用领域和临床意义。
我们希望通过本文的阐述和分析，能够提高读者对溶出曲线和AUC曲线的理解，为药物研究与开发领域的相关工作者提供参考和指导。
1.2 文章结构文章结构部分的内容如下:文章结构部分旨在介绍本文的章节安排和内容概要，以帮助读者更好地理解本文的结构和各个章节的主题。
本文主要分为四个部分，分别是引言、溶出曲线、AUC曲线和结论。
下面将对各个部分进行简要介绍。
引言部分是文章的开篇，通过对溶出曲线和AUC曲线的概述，引出了文章的主题和目的。
在1.1小节中，对溶出曲线和AUC曲线的定义和应用进行了简要介绍，为后续章节的讨论奠定了基础。
AUC的计算方法及相关总结
AUC的计算方法及相关总结AUC（Area Under the Curve）是一种常用的评估模型性能的指标，常用于评估分类器的质量，尤其是在不平衡数据集中。
本文将介绍AUC的计算方法，并总结AUC在机器学习中的应用。
一、AUC的计算方法1.几何方法：几何方法是通过计算ROC曲线（Receiver OperatingCharacteristic Curve）下方的面积来获取AUC。
ROC曲线是横坐标为1-Specificity，纵坐标为Sensitivity的曲线，表示了分类器对不同阈值下的真阳性率和假阳性率的变化情况。
AUC即ROC曲线下方的面积。
2.统计方法：-对于正类样本对和负类样本对，计算分类器对每对样本的预测概率。
-统计正类样本对中分类器预测概率大于负类样本对中分类器预测概率的比例，即预测概率秩和。
-最后，将预测概率秩和除以正类样本对和负类样本对的总数量，即可获得AUC值。
二、AUC的应用1.在模型评估中的应用：AUC是评估分类器性能的重要指标之一，当AUC值越接近于1时，意味着分类器具有更好的性能。
因此，AUC常被用于比较不同分类器的性能，并选择最优模型。
2.在特征选择中的应用：AUC可以帮助选择最具预测性的特征。
通过计算不同特征对目标变量的区分能力，并比较得到其AUC值，可以确定最具预测性的特征。
3.在模型训练中的应用：AUC可以用作损失函数来训练分类器。
通过最大化AUC值，可以提高分类器的性能。
4.在不平衡数据集中的应用：在不平衡数据集中，AUC比准确率和召回率更适用于评价分类器的性能。
因为在不平衡数据集中，准确率可能会偏高，而召回率会偏低。
而AUC能够综合考虑分类器的真正率和假阳性率，更全面地评价分类器的性能。
总结：AUC是一种常用的评估模型性能的指标，可以通过几何方法和统计方法进行计算。
AUC在机器学习中有广泛的应用，包括模型评估、特征选择、模型训练和不平衡数据集中的性能评估。
肝_脾CT值、受控衰减参数和磁共振质子密度脂肪分数在慢性乙型肝炎脂肪变性患者中的应用价值
·病毒性肝炎·DOI：10.12449/JCH240109肝/脾CT值、受控衰减参数（CAP）和磁共振质子密度脂肪分数（MRI-PDFF）在慢性乙型肝炎脂肪变性患者中的应用价值鲁景楠1，李岩松2，温雅1，王雄慧1，屈兆宇1，李建龙1，张炜11 延安大学附属医院影像科，陕西延安 7160002 西安国际医学中心医院核医学科，西安 710100通信作者：张炜，****************（ORCID： 0009-0009-2951-1115）摘要：目的 探讨肝/脾CT值（CT L/S）、受控衰减参数（CAP）和磁共振质子密度脂肪分数（MRI-PDFF）在慢性乙型肝炎（CHB）肝脂肪变性患者中的应用价值。
方法 回顾性收集2018年10月—2022年12月在延安大学附属医院行肝脏CT、CAP和MRI-PDFF检查的213例CHB患者的临床资料。
根据MRI-PDFF结果，将213例患者分为单纯CHB组（MRI-PDFF<5%，n= 111）和CHB合并脂肪变性组（MRI-PDFF≥5%，n=102）；其中轻度脂肪变性69例，中度至重度脂肪变性33例。
符合正态分布的计量资料组间比较采用成组t检验；不符合正态分布的计量资料组间比较采用Mann-Whitney U检验。
绘制Bland-Altman 图，评价两位医师测量MRI-PDFF的一致性。
采用Spearman相关系数分析CT L/S和MRI-PDFF、CAP和MRI-PDFF的相关性。
通过分析受试者工作特征曲线（ROC曲线），计算曲线下面积（AUC），评估CT L/S和CAP对不同程度脂肪变性的诊断价值，并使用DeLong检验比较两种影像诊断方法的AUC。
结果 MRI-PDFF在CHB患者中具有较高的可重复性及稳定性，CT L/S和MRI-PDFF之间呈显著负相关（r=−0.800，P<0.001），CAP与MRI-PDFF之间呈显著正相关（r=0.692，P<0.001）。
auc 指标
auc 指标AUC（Area Under the Curve）是一种常用的评估分类模型性能的指标，广泛应用于机器学习、数据挖掘和统计学等领域。
AUC的取值范围在0到1之间，值越接近1表示模型的性能越好，值越接近0.5表示模型预测的相对随机。
AUC指标常用于评估二分类模型的预测准确性，即模型对正例和负例的区分程度。
在计算AUC之前，首先需要通过分类算法对样本进行预测得到预测概率或分数，然后根据预测概率或分数将样本按照从高到低进行排序。
将正例的预测概率或分数排在负例的前面，确保正例的预测概率或分数大于负例。
AUC的计算方法可以通过绘制ROC曲线（Receiver Operating Characteristic curve）来实现。
ROC曲线的横坐标是False Positive Rate（FPR），即负例被错误分类为正例的比例；纵坐标是True Positive Rate（TPR），即正例被正确分类为正例的比例。
通过改变分类模型的分类阈值，可以得到不同的FPR和TPR的组合，从而得到ROC曲线。
AUC指标就是ROC曲线下的面积。
计算AUC的一种常用方法是通过积分法，即计算ROC曲线下所有的小矩形的面积之和。
在实际计算过程中，可以通过近似方法，如梯形近似法或线性插值法，来计算每个小矩形的面积。
对于不平衡的数据集，AUC可以从整体上评估模型的性能，不受样本分布偏移的影响。
AUC指标具有多个优点，首先，AUC对样本分布不平衡、分类阈值选择和分类模型的选择不敏感，相对于准确率、精确率和召回率等指标，AUC更能全面衡量分类模型的性能。
其次，AUC指标在处理缺失值和异常值时具有鲁棒性，能够更好地应对现实应用中的各种问题。
此外，AUC指标还可以用于比较不同模型的性能，从而选择最佳的分类模型。
除了AUC指标外，还有一些相关的指标可以用于评估分类模型的性能。
其中，准确率（Accuracy）是衡量分类模型预测结果与实际结果的一致性程度的指标，计算方式是所有分类正确的样本数与总样本数的比例。
不均衡数据分类器分类性能auc与accuracy的比较
中图分类号：TP399
文献标识码：A
文章编号：1009-9115(2019)06-0075-03
DOI：10.3969/j.issn.1009-9115.2019.06.019
Comparison of the Classification Performance AUC and Accuracy of Classifiers Based on Unbalanced Data
Key Words: Logistic; LDA; unbalanced; AUC; accuracy rate.
传统的统计机器学习技术在自然语言处理、 图像识别、人机交互、商业预测、自动化物流等 应用领域已经被广泛应用。其中很多自然语言处 理中的问题如分词、信息检索、文档分类、语义 角色标注、文字识别，问答系统等都可以看成分 类问题[1]，所以分类学习算法是处理这类问题的 关键。近几年，随着大数据时代的到来，数据具 有维数比较大且类别分布不均衡的性质，因此对 于传统的分类学习算法的性能评价指标[2]如查准 率（精确率）、查全率（召回率）、正确率（准确 率）、平衡点[3]、11 点平均正确率[4]等不能很好地 评价分类器的分类性能。AUC 是 ROC(Receiver Operating Characteristics)曲线下的面积，可以将 分类器输出概率估计充分利用起来，被广泛地应
摘 要：针对不均衡数据，借助已有的评价指标一致性（consistent）和区分度（discriminating），比较 Logistic
和 LDA 学习算法的评价方法 AUC 和精确率，结果表明，AUC 用于学习算法的估计比精度率好。
关键词：Logistic；LDA 学习算法；不均衡；AUC；精确率
唐山师范学院学报
auc 判断标准
auc 判断标准AUC（Area Under the Curve）是一种常用的评估分类模型性能优劣的指标。
它通常用于二分类问题，可以帮助我们理解模型的预测能力，从而作出适当的决策。
首先，我们需要明确AUC的定义。
AUC的取值范围在0到1之间，其中0.5表示模型预测的随机性，而1表示模型完美预测。
AUC是ROC曲线（Receiver Operating Characteristic curve）下的面积，ROC曲线是以真阳性率（True Positive Rate，也称为灵敏度）为纵轴，假阳性率（False Positive Rate）为横轴绘制出来的。
接下来，我们将讨论AUC的判断标准。
从理论上讲，AUC越大，表示模型的性能越好。
当AUC接近于1时，表明模型具有较高的预测准确性，能够有效地区分正例和负例。
当AUC接近于0.5时，说明模型的预测能力与随机预测相似，无法有效区分正例和负例。
而当AUC小于0.5时，可能说明模型的预测能力与随机预测相反。
然而，在实际应用中，AUC的判断标准可能会受到诸多因素的影响。
首先是样本不平衡的问题。
当正例和负例的比例严重倾斜时，AUC可能会出现误导性的结果。
此时，我们需要结合其他指标（如准确率、召回率等）进行综合评估。
其次是应用场景的不同。
不同领域的应用可能对AUC的要求也不同。
例如，在医疗领域，对于严重疾病的预测模型，要求AUC趋近于1，以确保高准确率和低误诊率。
而在广告推荐领域，对于获取更多点击量的预测模型，AUC要求可能相对较低。
另外，AUC还可能受到数据集的大小和质量的影响。
当数据集较小或者质量较低时，AUC的结果往往不够可靠。
此时，我们需要进行数据清洗、特征选择或者模型调优来提升AUC的稳定性。
为了进一步提高AUC的可靠性，我们可以采用交叉验证的方法。
通过将数据集划分为多个训练集和测试集，计算每个模型在不同测试集上的AUC，然后取平均值作为最终评估指标。
机器学习技术中常见的误差分析方法
机器学习技术中常见的误差分析方法随着人工智能的快速发展和广泛应用，机器学习已经成为许多领域的核心技术。
然而，由于人工智能系统的复杂性和数据的多样性，机器学习模型往往存在一定的误差。
为了更好地理解和改进机器学习模型，误差分析成为了非常重要的一个研究方向。
误差分析是指对机器学习模型在真实数据集上的性能进行评估和分析的过程，通过研究误差的来源和模式，可以揭示模型的不足和改进方向。
下面将介绍一些常见的机器学习技术中的误差分析方法。
1. 混淆矩阵分析法混淆矩阵是一种常见的评估分类模型性能的工具。
它以实际的类别标签和模型预测的类别标签作为行和列，计算不同类别样本的数量。
通过分析混淆矩阵，我们可以得到模型在不同类别上的分类准确性、误报率和漏报率等信息，进而评估模型在不同类别上的性能差异和问题所在。
2. ROC 曲线和 AUC 分析法ROC 曲线是一种绘制真阳性率（TPR）和假阳性率（FPR）之间关系的工具。
通过绘制 ROC 曲线，我们可以评估模型在不同分类阈值下的性能，并根据曲线下的面积 AUC（Area Under Curve）来比较不同模型的性能。
较大的 AUC 值表示模型在各种分类阈值下都能更好地区分正负样本。
3. 学习曲线分析法学习曲线是一种绘制模型性能随着训练样本数量的变化而变化的工具。
通过绘制学习曲线，我们可以观察模型在不同训练集大小下的训练误差和验证误差的变化趋势。
如果训练误差和验证误差相差较大，说明模型在当前数据集上出现了过拟合或欠拟合的情况。
4. 特征重要性分析法特征重要性分析是用来评估模型中各个特征对预测结果的影响程度。
一种常见的特征重要性分析方法是使用决策树模型，通过计算特征在每个决策节点上的信息增益或 Gini 指数来衡量其重要性。
通过分析特征重要性，我们可以了解到哪些特征对于模型的预测起到了重要的作用，并进一步优化特征工程和模型设计。
5. 误差分布分析法误差分布分析是一种在预测误差上进行统计学分析的方法。
AUC原理详细讲解
AUC原理详细讲解AUC (Area Under the Curve) 是机器学习和统计学中一个常用的性能评估指标。
它主要用于衡量分类模型预测结果的准确性和可靠性。
AUC值的范围在0.5到1之间，数值越接近1代表模型预测的准确性越高，越接近0.5则代表模型预测的准确性越低。
AUC的计算原理是基于ROC曲线（Receiver OperatingCharacteristic Curve）。
ROC曲线上的每一个点代表着在不同的分类阈值下，分类模型的真正例率（TPR）和假正例率（FPR）的取值。
其中，真正例率是指在所有的正例中，被模型正确预测为正例的比例；假正例率是指在所有的负例中，被模型错误预测为正例的比例。
在计算AUC之前，首先需要生成ROC曲线。
生成ROC曲线的过程主要包括以下几个步骤：1.先对数据集进行预测，并计算出每个样本属于正例的概率值。
2.根据概率值对样本进行排序，概率值最高的样本排在最前面。
3.选择一个分类阈值，将概率值大于等于该阈值的样本划分为正例，其余为负例。
4.在这个阈值下，计算真正例率和假正例率的值。
5.选择新的分类阈值，重复步骤3和步骤4，直到遍历完所有的概率值。
6.将每个分类阈值下的真正例率和假正例率作为ROC曲线上的一个点，可以得到完整的ROC曲线。
计算AUC的过程主要是对ROC曲线下的面积进行估算。
计算AUC的具体方法有多种，其中一个常用的方法是通过数值积分的方式。
例如，可以使用梯形法则对ROC曲线下的面积进行近似计算。
具体步骤如下：1.将ROC曲线上的点按照横坐标（FPR）进行升序排序。
2.计算每两个相邻点之间的梯形面积，即（x2-x1）*(y1+y2)/23.将所有的梯形面积加起来，即可得到ROC曲线下的面积。
除了数值积分的方法，还可以使用基于排序的方法来计算AUC。
这种方法通过计算所有正例排在负例前面的概率来得到AUC值。
1.对于每一个正例，统计出所有负例中预测概率低于该正例的样本比例。
不平衡数据集auc值
不平衡数据集auc值在机器学习中，数据集的平衡程度对模型的训练和评估结果都会产生一定的影响。
不平衡数据集是指在分类问题中，不同类别的样本数量差异很大的情况。
这种情况下，模型可能会偏向于多数类别，导致对少数类别的预测效果较差。
而AUC值（Area Under Curve）是评估二分类模型性能的一个重要指标，它代表了ROC曲线下的面积，范围在0到1之间，数值越大代表模型性能越好。
针对不平衡数据集，我们可以采取以下几种方法来提高AUC值：1. 重采样：不平衡数据集中，我们可以通过重采样来平衡不同类别的样本数量，主要有过采样和欠采样两种方法。
过采样是指增加少数类别样本的数量，常用的方法有随机复制、SMOTE等；欠采样是指减少多数类别样本的数量，常用的方法有随机删除、Tomek links 等。
通过重采样可以使得模型更加关注少数类别，提高预测效果。
2. 类别权重调整：在模型训练过程中，可以通过调整不同类别的权重来平衡数据集。
对于多数类别，降低其权重；对于少数类别，增加其权重。
这样可以使得模型在训练过程中更加关注少数类别，提高预测性能。
3. 集成学习：集成学习是一种将多个模型的预测结果进行综合的方法，可以有效提高模型的性能。
对于不平衡数据集，可以采用集成学习的方法，如Bagging、Boosting等，来提高预测效果。
通过结合多个模型的预测结果，可以降低模型的偏差和方差，提高模型的泛化能力。
4. 设置阈值：在二分类问题中，模型的预测结果可以通过设置阈值来进行分类。
对于不平衡数据集，可以根据实际需求调整阈值，使得模型在预测时更加关注少数类别。
通过调整阈值可以平衡模型的召回率和准确率，提高AUC值。
5. 特征工程：在不平衡数据集中，特征工程也是非常重要的一环。
可以通过选择更加具有区分度的特征、进行特征组合、构建新的特征等方法，提高模型对少数类别的识别能力。
特征工程的目标是寻找最能表达样本特点的特征，从而提高模型的预测性能。
病人健康问卷和广泛性焦虑量表在非心源性胸痛患者中筛查抑郁焦虑的效度和信度
·心身医学·病人健康问卷和广泛性焦虑量表在非心源性胸痛患者中筛查抑郁焦虑的效度和信度曲姗１ 史欣欣１ 谢稚鹃１ 丁荣晶２ 郑敏婕１（１北京大学人民医院精神科，北京１０００４４ ２北京大学人民医院心内科，北京１０００４４ 通信作者：曲姗ｑｕ１９８３ｓｈａｎ１１２０＠１２６ ｃｏｍ）【摘 要】目的：分析病人健康问卷（ＰＨＱ ９）和广泛性焦虑量表（ＧＡＤ ７）在非心源性胸痛（ｎｏｎ ｃａｒｄｉａｃｃｈｅｓｔｐａｉｎ，ＮＣＣＰ）患者中应用的效度和信度，探索快速筛查焦虑抑郁的可行性。
方法：连续选取２０１７－２０１８年就诊的非心源性胸痛患者３４３人。
完成ＰＨＱ ９和ＧＡＤ ７评定，随机抽取３０人重测。
采用Ｃｒｏｎｂａｃｈα系数评估内部一致性，以精神科医生应用简明国际神经精神访谈（ＭＩＮＩ），根据ＩＣＤ １０做出的诊断为“金标准”评估效标效度，采用受试者工作特征曲线（ＲＯＣ）检验诊断效能。
结果：ＰＨＱ ９Ｃｒｏｎ ｂａｃｈ＇α系数为０ ８９，重测信度为０ ８５，最佳分界值１１分，灵敏度８１％，特异度８４％，ＲＯＣ曲线下面积（ＡＵＣ）为０ ９０。
ＧＡＤ ７Ｃｒｏｎｂａｃｈα系数为０ ９２，重测信度为０ ８３。
最佳分界值８分，灵敏度为９６％，特异度为３８％，ＲＯＣ的ＡＵＣ为０ ６１。
结论：ＮＣＣＰ患者抑郁评估中ＰＨＱ ９具有良好的效度和信度，焦虑评估中ＧＡＤ ７特异度不理想。
【关键词】 非心源性胸痛；抑郁；效度；信度；病人健康问卷；广泛性焦虑量表 中图分类号：Ｒ７４９ ４，Ｒ７４９ ７２ 文献标识码：Ａ 文章编号：１０００－６７２９（２０２１）００５－０３７６－０６ ｄｏｉ：１０ ３９６９／ｊ ｉｓｓｎ １０００－６７２９ ２０２１ ０５ ００５（中国心理卫生杂志，２０２１，３５（５）：３７６－３８１ ）ＶａｌｉｄｉｔｙａｎｄｒｅｌｉａｂｉｌｉｔｙｏｆｔｈｅＰａｔｉｅｎｔＨｅａｌｔｈＱｕｅｓｔｉｏｎｎａｉｒｅａｎｄｔｈｅＧｅｎｅｒａｌｉｚｅｄＡｎｘｉｅｔｙＳｃａｌｅｆｏｒｓｃｒｅｅｎｉｎｇｄｅｐｒｅｓｓｉｖｅａｎｘｉｅｔｙｉｎｐａｔｉｅｎｔｓｗｉｔｈｎｏｎ ｃａｒｄｉａｃｃｈｅｓｔｐａｉｎＱＵＳｈａｎ１牞ＳＨＩＸｉｎｘｉｎ１牞ＸＩＥＺｈｉｊｕａｎ１牞ＤＩＮＧＲｏｎｇｊｉｎｇ２牞ＺＨＥＮＧＭｉｎｊｉｅ１１ＤｅｐａｒｔｍｅｎｔｏｆＰｓｙｃｈｉａｔｒｙ牞ＰｅｋｉｎｇＵｎｉｖｅｒｓｉｔｙＰｅｏｐｌｅ＇ｓＨｏｓｐｉｔａｌ牞Ｂｅｉｊｉｎｇ１０００４４牞Ｃｈｉｎａ ２ＤｅｐａｒｔｍｅｎｔｏｆＣａｒｄｉｏｌｏｇｙ牞ＰｅｋｉｎｇＵｎｉｖｅｒｓｉｔｙＰｅｏｐｌｅ＇ｓＨｏｓｐｉｔａｌ牞Ｂｅｉｊｉｎｇ１０００４４牞ＣｈｉｎａＣｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ牶ＱＵＳｈａｎ牞ｑｕ１９８３ｓｈａｎ１１２０＠１２６ ｃｏｍ【Ａｂｓｔｒａｃｔ】Ｏｂｊｅｃｔｉｖｅ牶ＴｏａｓｓｅｓｓｔｈｅｖａｌｉｄｉｔｙａｎｄｒｅｌｉａｂｉｌｉｔｙｏｆｔｈｅＰａｔｉｅｎｔｓ＇ＨｅａｌｔｈＱｕｅｓｔｉｏｎｎａｉｒｅＤｅｐｒｅｓｓｉｏｎＳｃａｌｅ ９ｉｔｅｍ牗ＰＨＱ ９牘ａｎｄＧｅｎｅｒａｌｉｚｅｄＡｎｘｉｅｔｙＤｉｓｏｒｄｅｒ７ ｉｔｅｍｓｃａｌｅ牗ＧＡＤ ７牘ｉｎｐａｔｉｅｎｔｓｗｉｔｈｎｏｎ ｃａｒｄｉａｃｃｈｅｓｔｐａｉｎ牗ＮＣＣＰ牘牞ａｎｄｔｏｅｘｐｌｏｒｅｔｈｅｆｅａｓｉｂｉｌｉｔｙｏｆｒａｐｉｄｓｃｒｅｅｎｉｎｇｏｆａｎｘｉｅｔｙａｎｄｄｅｐｒｅｓｓｉｏｎ Ｍｅｔｈｏｄｓ牶Ｔｏｔａｌｌｙ３４３ｐａ ｔｉｅｎｔｓｗｉｔｈＮＣＣＰｆｒｏｍ２０１７ｔｏ２０１８ｗｅｒｅｓｅｌｅｃｔｅｄａｎｄａｓｓｅｓｓｅｄｗｉｔｈｔｈｅＰＨＱ ９ａｎｄＧＡＤ ７ Ｔｈｉｒｔｙｐａｔｉｅｎｔｓｗｅｒｅ ｒａｎｄｏｍｌｙｓｅｌｅｃｔｅｄｔｏｂｅｒｅｔｅｓｔｅｄ Ｃｒｏｎｂａｃｈαｃｏｅｆｆｉｃｉｅｎｔｗａｓｕｓｅｄｔｏｅｖａｌｕａｔｅｔｈｅｉｎｔｅｒｎａｌｃｏｎｓｉｓｔｅｎｃｙ ＴｈｅｃｒｉｔｅｒｉｏｎｖａｌｉｄｉｔｙｗａｓｅｖａｌｕａｔｅｄｗｉｔｈｔｈｅｇｏｌｄｓｔａｎｄａｒｄｏｆｔｈｅｄｉａｇｎｏｓｉｓｍａｄｅｂｙｐｓｙｃｈｉａｔｒｉｓｔｓｗｉｔｈｔｈｅＭｉｎｉＩｎｔｅｒｎａｔｉｏｎａｌＮｅｕｒｏｐｓｙｃｈｏｌｏｇｉｃａｌＩｎｔｅｒｖｉｅｗ牗ＭＩＮＩ牘ａｃｃｏｒｄｉｎｇｔｏＩＣＤ １０ Ｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ牗ＲＯＣ牘ｃｕｒｖｅｗａｓｕｓｅｄｔｏｔｅｓｔｔｈｅｄｉａｇｎｏｓｉｓｅｆｆｉｃｉｅｎｃｙ Ｒｅｓｕｌｔｓ牶ＴｈｅＣｒｏｎｂａｃｈαｃｏｅｆｆｉｃｉｅｎｔｏｆＰＨＱ ９ｗａｓ０ ８９牞ｔｈｅｒｅｔｅｓｔｒｅｌｉａｂｉｌｉｔｙｗａｓ０ ８５牞ｔｈｅｂｅｓｔｂｏｕｎｄａｒｙｖａｌｕｅｗａｓ１１ｐｏｉｎｔｓ牞ｔｈｅｓｅｎｓｉｔｉｖｉｔｙｗａｓ８１％牞ｔｈｅｓｐｅｃｉｆｉｃｉｔｙｗａｓ８４％牞ａｎｄｔｈｅａｒｅａｕｎ ｄｅｒＲＯＣｃｕｒｖｅ牗ＡＵＣ牘ｗａｓ０ ９０ ＴｈｅＣｒｏｎｂａｃｈαｃｏｅｆｆｉｃｉｅｎｔｏｆＧＡＤ ７ｗａｓ０ ９２牞ｔｈｅｒｅｔｅｓｔｒｅｌｉａｂｉｌｉｔｙｗａｓ０ ８３牞ｔｈｅｂｅｓｔｂｏｕｎｄａｒｙｖａｌｕｅｗａｓ８ｐｏｉｎｔｓ牞ｔｈｅｓｅｎｓｉｔｉｖｉｔｙｗａｓ９６％牞ｔｈｅｓｐｅｃｉｆｉｃｉｔｙｗａｓ３８％牞ａｎｄｔｈｅＡＵＣｗａｓ０ ６１ Ｃｏｎｃｌｕｓｉｏｎ牶ＴｈｅＰＨＱ ９ｈａｓｇｏｏｄｖａｌｉｄｉｔｙａｎｄｒｅｌｉａｂｉｌｉｔｙｉｎｐａｔｉｅｎｔｓｗｉｔｈＮＣＣＰ牞ｗｈｉｌｅｔｈｅｖａｌｉｄｉｔｙｏｆＧＡＤ ７ｉｓｎｏｔｉｄｅａｌ【Ｋｅｙｗｏｒｄｓ】 ｎｏｎ ｃａｒｄｉａｃｃｈｅｓｔｐａｉｎ牷ｄｅｐｒｅｓｓｉｏｎ牷ｖａｌｉｄｉｔｙ牷ｒｅｌｉａｂｉｌｉｔｙ牷ＰＨＱ ９牷ＧＡＤ ７６７３ＣｈｉｎｅｓｅＭｅｎｔａｌＨｅａｌｔｈＪｏｕｒｎａｌ，Ｖｏｌ３５，Ｎｏ ５，２０２１基金项目：远程监控下居家运动康复对稳定性冠心病患者的影响（２０１８０１１９）牗ＣｈｉｎＭｅｎｔＨｅａｌｔｈＪ牞２０２１牞３５牗５牘牶３７６－３８１ 牘 非心源性胸痛（ｎｏｎ ｃａｒｄｉａｃｃｈｅｓｔｐａｉｎ，ＮＣ ＣＰ）是指排除心脏原因后仍无法与缺血性心脏病鉴别的反复发作的胸痛，是一种常见的临床问题，有学者报告中国人群中年患病率１９％，美国的学者发现终身患病率为３３％［１ ２］。
T2_mapping技术在鉴别直肠黏液腺癌和非黏液腺癌中的价值
直肠黏液腺癌是指肿瘤组织中黏液成分超过50%的腺癌，是直肠癌的一种特定病理亚型，占所有直肠癌的5%～20%［1-2］。
与非黏液腺癌相比，黏液腺癌预后较差，对新辅助放化疗不敏感［3-4］。
直肠癌个体化治疗方案的选择是基于准确的影像学评估。
因此，术前确定直肠癌的病理类型对治疗方式的选择至关重要。
高分辨MRI 具有较高的软组织分辨力，已被广泛应用于直肠癌的术前评估中［5-6］，但放射科医师鉴别黏液腺癌和非黏液腺癌具有一定的主观性。
DWI 可通过水分子的扩散特性定量描述组织复杂的生理状态，有助于鉴别黏液腺癌和非黏液腺癌［7-8］。
然而，DWI 易受分辨力及磁场不均匀性的影响，在组织鉴别方面的截断值差异较大［9］。
T 2 mapping是通过不同回波时间的信号强度测量组织的T 2值。
T 2值可反映基本的组织特性，且在一定的场强下与扫描仪器和扫描参数无关。
目前，T 2 mapping 在骨关节和心肌中应用较多［10-12］，近年来也用于体部良恶性肿瘤的评估［13-15］，但其在鉴别直肠癌病理类型中研究较少。
本研究旨在探讨T 2 mapping 技术在术前鉴别直肠黏液腺癌和非黏液腺癌中的价值，并与DWI 进行比较。
1 资料与方法1.1 一般资料前瞻性收集山东大学齐鲁医院2022年10月至DOI ：10.3969/j.issn.1672-0512.2024.03.019［基金项目］ 山东省自然科学基金项目（ZR2019MH049）。
［通信作者］ 王芳，Email ：****************。
T 2 mapping 技术在鉴别直肠黏液腺癌和非黏液腺癌中的价值吴广太1，贾进正2，徐兴华1，常玲玉3，程连华1，王林红1，王 青1，王 芳11.山东大学齐鲁医院放射科，山东 济南 250012；2.山东省平度市中医医院放射科，山东 青岛 266700；3.山东大学齐鲁医学院，山东 济南 250012［摘要］ 目的：探讨T 2 mapping 技术对直肠黏液腺癌和非黏液腺癌的鉴别诊断价值。
正反定型结果不一致判定标准
正反定型结果不一致判定标准引言在现代社会中，数据分析已经成为了一个不可避免的趋势。
其作为一种非常重要的工具，能够帮助我们更好地理解问题，辅助决策。
而在数据分析中，一个非常重要的问题就是分类问题。
而分类问题则涉及到了另一个重要的问题，那就是正反定型结果不一致判定标准。
什么是正反定型结果不一致判定标准？在分类问题中，我们会遇到很多的模型。
而对于这些模型，我们往往需要用正反定型分析的方法来判断其是否符合预期。
这是因为，在分类问题中，我们通常会面临两个问题，一是误判率高，二是样本不平衡。
而正反定型分析可以帮助我们解决这两个问题。
但是，在进行正反定型分析时，往往会出现正反定型结果不一致的情况。
这时候，我们就需要利用正反定型结果不一致判定标准来确认模型的分类能力。
正反定型结果不一致判定标准的类别在进行正反定型结果不一致判定时，我们通常会将其分为两个类别，即模型内部的正反定型结果不一致和模型间的正反定型结果不一致。
1、模型内部的正反定型结果不一致对于模型内部的正反定型结果不一致，我们通常会根据ROC曲线来进行判断。
在ROC曲线中，我们可以得到AUC值。
而当AUC值小于0.5时，说明该模型为反定型；当AUC值大于0.5时，则说明该模型为正定型。
2、模型间的正反定型结果不一致对于模型间的正反定型结果不一致，我们则需要利用Kappa系数来进行判断。
而在使用Kappa系数时，我们通常会将其分为四个等级，即完全符合、几乎完全符合、甚微符合和未符合。
当Kappa系数小于0时，则说明模型间的正反定型结果不一致。
结论正反定型结果不一致判定标准是在分类问题中非常重要的判别标准。
其通过ROC曲线和Kappa系数来进行判断，能够有效地帮助我们判断模型的正反定型能力，并对分类结果进行优化。
在现代数据分析领域中，越来越多的人开始关注和应用正反定型结果不一致判定标准。
它不仅可以帮助我们有效地解决分类问题，也能够让我们更好地理解数据，并做出更加准确的决策。
auc坐标负值
auc坐标负值AUC（Area Under Curve）是一种常用于评估二分类模型性能的指标。
它表示ROC曲线（Receiver Operating Characteristic curve）下方的面积，范围从0到1，数值越大说明模型性能越好。
然而，在实际应用过程中，我们有时会遇到一种情况，即AUC的值出现负值。
那么，什么是AUC坐标负值呢？为什么会出现这种情况？接下来，我们将详细介绍相关内容。
AUC坐标负值是指在计算ROC曲线下面积时，得到的结果为负数。
实际上，这种情况并非真正意义上的负值，而是计算过程中出现的问题导致数值偏离正常范围。
通常出现AUC坐标负值的原因有以下几种：第一，数据标签错误。
在二分类问题中，数据的标签应为0或1，表示负样本或正样本。
然而，如果数据标签发生错误，可能导致模型预测结果与实际标签相反，从而计算出的AUC值为负。
此时，我们需要反思数据标注的准确性，对标签进行修正。
第二，模型问题。
AUC值的计算与模型的输出有关，如果模型本身存在问题，如过拟合、欠拟合或输入特征不足等，都有可能导致AUC值为负。
在这种情况下，我们需要仔细检查模型的设计和参数设置，进行调整和优化。
第三，样本分布不平衡。
在某些情况下，样本中正负样本的比例非常不均衡，这可能导致AUC值异常。
当正负样本比例严重失衡时，模型可能更倾向于预测数量较多的类别，从而影响AUC的计算结果。
在这种情况下，我们可以尝试进行样本平衡处理，如过采样、欠采样等方法，以获得更准确的AUC值。
综上所述，AUC坐标负值在实际应用中并非正常情况，而是一种异常情况。
其产生原因可能是数据标签错误、模型问题或样本分布不平衡等因素的影响。
当遇到AUC坐标出现负值时，我们应当对相关因素进行仔细分析和排查，并采取相应的修正措施，以保证模型的性能评估结果准确可靠。
在进行AUC值的计算和模型评估过程中，我们应始终关注数据的质量和模型的稳定性，不断优化和调整，以提高模型的性能和可靠性。
auc 判断标准
auc 判断标准AUC判断标准在机器学习和数据挖掘领域中，评估分类模型的性能是一项关键任务。
AUC（Area under the Curve）是一种常用的评价指标，用于衡量二元分类器的准确性。
AUC值介于0和1之间，值越接近1表示分类器的性能越好。
AUC的计算基于ROC曲线（Receiver Operating Characteristic Curve），ROC曲线横轴为假阳性率（False Positive Rate），纵轴为真阳性率（True Positive Rate）。
在进行AUC计算前，首先需要绘制ROC曲线。
绘制过程是通过改变分类器对不同阈值下的预测结果进行排序并计算出真阳性率和假阳性率。
AUC的判断标准如下：1. AUC = 0.5：当AUC等于0.5时，表示分类器的性能等同于随机猜测。
这意味着分类器无法有效地进行区分，预测结果毫无价值。
2. AUC > 0.5：当AUC大于0.5时，表示分类器的性能优于随机猜测。
AUC值越接近1，分类器的性能越好。
3. AUC = 1：当AUC等于1时，表示分类器的性能达到了完美的状态。
这表明分类器能够完全准确地对样本进行分类。
除了以上的判断标准，还可以通过AUC的大小来对不同的分类器进行比较。
当比较两个分类器的性能时，AUC较大的分类器通常被认为是更优秀的。
AUC的优点在于其对不同分类器和不平衡数据的适应性较强。
由于AUC是基于排序结果的，它对分类器的具体预测值不敏感，因此可以克服一些分类器的预测误差和不确定性。
然而，AUC也存在一些限制。
首先，AUC无法提供关于分类器在不同分类阈值下的性能详细信息，只能给出一个总体的评价结果。
其次，如果数据集中存在大量噪声或异常值，AUC可能会失去意义。
因此，在实际应用中，对于特定问题，需要考虑其他评估指标的综合判断。
总结而言，AUC作为评价二元分类器性能的指标，在机器学习和数据挖掘中扮演着重要的角色。
auc指标
auc指标AUC指标：评估分类模型准确性的重要指标在机器学习和数据挖掘领域，评估分类模型的准确性是非常重要的。
而AUC（Area Under the Curve）指标就是其中一个常用的评估指标。
AUC指标可以用来衡量模型的分类能力，通常用于二分类问题。
本文将介绍AUC指标的含义、计算方法以及其在评估模型性能中的重要性。
AUC指标是ROC曲线（Receiver Operating Characteristic Curve）下的面积。
ROC曲线反映了模型在不同阈值下的真正例率（True Positive Rate）和假正例率（False Positive Rate）之间的关系。
而AUC指标就是ROC曲线下的面积，其取值范围在0到1之间。
当AUC等于1时，表示模型完美分类；当AUC等于0.5时，表示模型的分类能力与随机猜测相当；当AUC小于0.5时，表示模型分类效果不佳。
计算AUC指标的方法相对简单，不需要涉及复杂的数学公式或计算过程。
在实际应用中，可以利用软件工具或编程语言来计算AUC值。
例如，可以使用Python中的scikit-learn库中的roc_auc_score函数来计算AUC值。
AUC指标在评估模型性能中起到了重要的作用。
首先，AUC指标不受正负样本比例的影响，适用于不平衡数据集。
在实际应用中，往往存在着正负样本比例不均衡的情况，这时使用AUC指标可以更准确地评估模型的性能。
AUC指标对于模型的预测结果具有鲁棒性。
在实际应用中，模型的预测结果可能会受到噪声的干扰，或者存在一定的误差。
而AUC指标相对于其他评估指标，如准确率（Accuracy）或精确率（Precision）、召回率（Recall）等，对于噪声或误差具有更好的容忍性。
AUC指标还可以用于模型的比较和选择。
在比较不同的分类模型时，可以将它们的AUC值进行对比，选择具有更高AUC值的模型。
这样可以更好地判断模型的分类能力和泛化能力，从而选择最优的模型。
两种方法评估阿托伐他汀改善斑块内新生血管形成效果的一致性分析
两种方法评估阿托伐他汀改善斑块内新生血管形成效果的一致性分析朱一成;江泉;邓舒昊;张渊【摘要】目的探讨超微血流成像(SMI)与超声造影(CEUS)两种检查方法评估阿托伐他汀改善斑块内新生血管形成效果的一致性.方法选取该院2017年6-12月因脑梗死住院而接受颈动脉超声检查,发现有颈动脉软斑块(斑块内部回声低于管壁回声)形成的患者30例.所有患者接受阿托伐他汀治疗6个月.于治疗前后均接受SMI、CEUS检查,评估颈动脉斑块内新生血管形成情况.结果阿托伐他汀治疗后斑块积分、增强强度(EI)、曲线下面积(AUC)均明显降低(P＜0.05);SMI(x2 =5.069,P＜0.05)和CEUS(x2=6.389,P＜0.05)均提示阿托伐他汀可显著降低斑块内新生血管形成.13.3％(4/30)的患者治疗后SMI评分与CEUS评分均下降2分;所有患者治疗后评分均未出现上升.两种检查方法评价阿托伐他汀治疗后改善新生血管形成的效果具有较好一致性(x2 =0.095,P＞0.05).结论 SMI与CEUS两种检查方法有较好的一致性,SMI可有效评估斑块内血管形成情况.【期刊名称】《检验医学与临床》【年(卷),期】2019(016)011【总页数】4页(P1499-1502)【关键词】超微血流成像;超声造影;阿托伐他汀;颈动脉斑块;新生血管【作者】朱一成;江泉;邓舒昊;张渊【作者单位】上海市浦东新区人民医院超声科 200093;上海市浦东新区人民医院超声科 200093;上海市浦东新区人民医院超声科 200093;上海市浦东新区人民医院超声科 200093【正文语种】中文【中图分类】R445.9近年来，超微血流成像(SMI)在国内外都取得了很大的进展，在临床很多领域都被广泛地应用，在评价血管内动脉粥样硬化斑块性质、肝脏纤维化、心肌功能等方面均具有优越性和可行性[1-2]。
因为斑块周围干扰血管比较少，超声造影(CEUS)评价斑块内新生血管的研究起步较早，并取得了较好的效果。
华为智能终端手表估测动脉弹性的评价
华为智能终端手表估测动脉弹性的评价孙宁玲;王鲁雁;喜杨;杨帆;陈源源;王鸿懿;崔玉贤【期刊名称】《中国循环杂志》【年(卷),期】2022(37)8【摘要】目的:评价华为智能终端手表估测动脉弹性的准确性。
方法:募集志愿受试者90例,男女各45例,年龄<30岁、30~60岁、>60岁各30例。
采用华为智能终端手表采集心电图+脉搏波信号(PPG),估算颈-股脉搏波传导速度(cfPWV),并与法国康普乐动脉硬化检测仪所测得的cfPWV(金标准)对比。
对所有受试者进行两种检测方法的准确性及一致性评价,包括:Bland-Altman和AUC、平均绝对误差、Logistic多元回归。
结果:两种检测方法Bland-Altman均值误差一致性分析显示:智能终端手表估测与动脉硬化检测仪测定cfPWV,均值误差为-0.17 m/s,均标准差为1.21 m/s。
AUC为0.897,特异度91.9%、灵敏度87.5%。
总的相关系数0.8380、P<0.0001,在不同分层下均是一致性结果。
智能终端手表估测与动脉硬化检测仪测定(金标准)绝对均值误差为0.87 m/s(<1.0 m/s)。
Logstic多元回归分析结果显示:年龄和收缩压是影响cfPWV的独立危险因素(P均<0.05)。
结论:华为智能终端手表与动脉硬化检测仪比较,能较准确评价动脉弹性(cfPWV)。
【总页数】7页(P836-842)【作者】孙宁玲;王鲁雁;喜杨;杨帆;陈源源;王鸿懿;崔玉贤【作者单位】北京大学人民医院高血压研究室【正文语种】中文【中图分类】R54【相关文献】1.超声弹性成像技术评价2型糖尿病患者颈动脉和足背动脉血管壁弹性2.速度向量成像联合动脉健康评估软件评价健康成人颈动脉弹性及弹性储备3.速度向量成像技术评价颈动脉球部弹性及颈总动脉弹性的对比研究4.超声弹性成像技术评价2型糖尿病患者颈动脉和足背动脉血管壁弹性5.超声弹性成像技术初步评价黄酒对动脉粥样硬化患者大动脉弹性的改善作用因版权原因，仅展示原文概要，查看原文内容请购买。
auc值和校准曲线的关系
AUC（Area Under the Curve）值和校准曲线是在机器学习和评估模型性能时经常使用
的概念。
AUC值是用来衡量二分类模型预测性能的指标，通常绘制的是ROC曲线（Receiver Operating Characteristic），它表示了在不同分类阈值下，真阳性率（True Positive Rate）与假阳性率（False Positive Rate）之间的关系。
AUC值是ROC曲线下的面积，范围在
0到1之间，AUC值越接近1表示模型性能越好。
校准曲线是用来评估模型的预测概率与实际观测结果之间的一致性。
校准曲线将模型
的预测概率分成多个区间，并计算在每个区间内的平均观测概率与实际观测比例之间
的关系。
一般情况下，理想的校准曲线应该接近于对角线，表示模型的预测概率与实
际观测结果一致。
AUC值和校准曲线之间存在一定的关系，但并不直接相关。
AUC值主要关注分类模型的整体性能，衡量了模型在不同阈值下的预测能力。
而校准曲线更加关注模型的预测
概率与实际观测结果之间的一致性，能够反映出模型的置信度。
一般来说，一个良好的模型应该具备较高的AUC值和接近于理想对角线的校准曲线。
但在实际应用中，AUC值和校准曲线并不总是完全一致的，因为它们关注的是模型性
能的不同方面。
综上所述，AUC值和校准曲线是两个独立的评估指标，它们分别从整体性能和预测概
率一致性的角度评估模型。
在模型评估和选择时，可以综合考虑这两个指标来获得更
全面的模型性能评估。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ ｘ ｉ ）
－
ｔ￣ Ｏ …
．
，
Ｙ ｉ ＝ ｃ ｌ ａ ｓ ｓ （ ｘ ｉ ）一 于判 断 ｓ ｇ ｎ （ 厂 一￡ ） ， 若 其大 于 ０则 为类 ０ ， 否则 为类 １ ．
Ｏ 引 言
现实 生活 中 ， 经 常遇 到分 类 问题 ， 如判 断 邮件是 否是 垃圾 邮件 ， 新 到的 图书属 于哪 一个类 别 ， 医生 判断 病 人 是 否患 有某 种疾 病等 ． 分类 就是 判 断一个 实例 属 于哪 个类 别 ． 本 文所 讨 论 的分 类 属 于监 督 学 习 ， 即利 用 一
中 图分 类 号 ：Ｔ Ｐ ３ １ １ 文 献标 识码 ： Ａ 文 章 编 号 ：２ ０ ９ ５ — ４ ２ ９ ８ （ ２ ０ １ ３ ） ０ ３ — ０ ０ ３ ｉ － ０ ４
Ｔｈ ｅ ｉ ｎｃ ｏ ｈｅ ｒ ｅ ｎｃ ｅ ｏ ｆ ｔ ｈ ｅ ａ ｒ ｅ ａ ｕ ｎ ｄｅ ｒ ｔ ｈ ｅ ＲＯＣ ｃ ｕ ｒ ｖ ｅ
组 已知类 别 的样 本 进行 学 习得到 一个 分类 函数 ， 然后 对新 实例 应用 该分 类 函数 ， 从 而判 断新 实例 属于 哪一个 类别．
本 文 只考 虑二 分类 问题 ． 令 Ｘ 和 ｙ分 别 为样 本 空 间 和类 标 签集 合 ， ｙ＝ ＝ ＝ ｛ ０ ， １ ） ， 给定 训 练 数 据 集 合 Ｄ一 ｛ （ ｚ ， Ｙ ） ， （ ｚ ， Ｙ ） ， …， （ ｚ ， Ｙ ） ） ， 其中ｚ ∈Ｘ， Ｙ ∈Ｙ（ ｉ 一１ ， ２ ， …， ） ． 分 类 一般 由两个 阶段 构 成 ： 一是 提 取 特 征 向量 并 将实 例 的特征 向量 映射 为一 个实 数值 Ｓ —ｆ （ ｘ ） ， 这 里 的 厂其 实就 是 一个 映射 函数 ； 二是 根 据 经 验 或者各 种 专业 知识 ， 对 给定 的一个 分类 阈值 ｔ ， 比较 ｆ （ ｘ ） 和ｔ 的大小 （ 本 文 假定 类 别 ０的得 分 函数值 大 于类
Ｖｏ １ ． ３ １ ， ＮＯ ． ３
Ｓｅ ｐ ．， ２０ １３
ＡＵＣ的不 一 致性 分 析
王书芹 ， 华 钢 ， 徐永冈 ０ ， 王永星
（ １ ． 江 苏 师 范 大 学 计 算 机科 学 与 技 术学 院 。 江苏 徐州 ２ ２ １ １ １ ６ ；２ ． 中 国矿 业 大 学 信 电学 院 ， 江苏 徐州 ２ ２ ｉ １ １ ６ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈｅ ａ ｒ ｅ ａ ｕ ｎｄ ｅ ｒ ｔ ｈｅ ｒ ｅ ｃ ｅ ｉ ｖ ｅ ｒ ｏ ｐｅ ｒ ａ ｔ ｉ ｎ ｇ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｃ ｕｒ ｖ ｅ（ Ａ ＵＣ ） ｉ ｓ ａ ｗｉ ｄｅ ｌ ｙ ｕｓ ｅ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏｎ ｐ ｅ ｒ ｆ ｏ ｒ ｍ— ａ ｎ ｃ ｅ ｍｅ ａ ｓ ｕｒ ｅ ｉ ｎ ｍａ ｃ ｈ ｉ ｎ ｅ ｌ ｅ ａ ｒ ｎｉ ｎｇ ． Ｈ ｏｗ ｅ ｖｅ ｒ ，ｔ ｈ ｅ ｒ ｅ ａ ｒ ｅ ｓ ｏ ｍｅ ｄ ｉ ｓ ａｄ ｖ ａ ｎｔ ａ ｇｅ ｓ ．Ｉ ｎ ｔ ｈ ｉ ｓ ｐａ ｐ ｅｒ ，ｔ ｈｅ ｒ ｅ ｌ ａ ｔ ｉ ｏｎ ｓ ｈｉ ｐ ｂ ｅ ｔ ｗｅ ｅ ｎ ＡＵ Ｃ ａ ｎｄ ｔ ｈ ｅ ｔ ｏｔ ａ ｌ ｅ ｒ ｒ ｏｒ ｓ ｉ ｓ ｄｉ ｓ ｃ ｕｓ ｓ ｅ ｄ，ａ ｎ ｄ ｔ ｈｅ ｉ ｎｃ ｏ ｈｅ ｒ ｅ ｎｃ ｅ ｏｆ Ａ Ｕ Ｃ ｉ ｓ ｓ ｈｏｗｅ ｄ． Ｋｅ ｙ ｗｏｒ ｄｓ ：ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏｎ；Ａ Ｕ Ｃ ；ｉ ｎｃ ｏ ｈｅ ｒ ｅ ｎｃ ｅ
摘要 ： Ａｕｃ （ 曲线 下 面 积 ） 作 为 分 类 器 性 能 的评 价 指 标 ， 得 到 了 广 泛 的应 用 ． 但 其存在 一定 的缺陷． 讨 论 ＡＵＣ 和 总 误 差 之 间 的关 系 ， 从 而 证 明 了 ＡＵ Ｃ的不一致性． 关 键 词 ：分 类 ； ＡＵＣ； 不 一 致
Ｗａ ｎ ｇ Ｓ ｈ ｕ ｑ ｉ ｎ ，Ｈｕ ａ Ｇａ ｎ ｇ 。，Ｘｕ Ｙｏ ｎ ｇ ｇ ａ ｎ ｇ ，Ｗ ａ ｎ ｇ Ｙｏ ｎ ｇ ｘ ｉ ｎ ｇ 。
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｊ ｉ ａ ｎ ｇ ｓ ｕ Ｎｏ ｒ ｍａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ， Ｘｕ ｚ ｈ ｏ ｕ ２ ２ １ １ １ ６ ， Ｊ ｉ ａ ｎｇ ｓ ｕ， Ｃｈ ｉ ｎ ａ；
第３ １ 卷第 ３ 期
２ ０ １ ３年 ９月
江 苏师范大学学报（ 自然 科 学 版 ）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｊ ｉ ａ ｎ ｇ ｓ ｕ Ｎｏ ｒ ｍａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ （ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅｄ ｉ ｔ ｉ ｏ ｎ ）
２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ＆ Ｅｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｃ ｈ ｉ ｎ ａ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｍｉ ｎ ｉ ｎ ｇ＆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｘｕ ｚ ｈ ｏ ｕ ２ ２ １ １ １ ６ ， Ｊ ｉ ａ ｎ ｇ ｓ ｕ ， Ｃ ｈ ｉ ｎ ａ ）