Diferencia entre revisiones de «Matrices de confusión y otros valores estadísticos»
Sin resumen de edición |
Sin resumen de edición |
||
| Línea 1: | Línea 1: | ||
'''Introducción''' | |||
== '''Introducción''' == | |||
Hemos realizado esta página para resumir y concretar algunos coeficientes estadísticos que siempre aparecen en muchos de nuestros experimentos. | Hemos realizado esta página para resumir y concretar algunos coeficientes estadísticos que siempre aparecen en muchos de nuestros experimentos. | ||
| Línea 10: | Línea 12: | ||
'''Definiciones''' | |||
== '''Definiciones''' == | |||
'''N''' = número de vóxeles de las imágenes. | '''N''' = número de vóxeles de las imágenes. | ||
| Línea 23: | Línea 27: | ||
'''Coeficientes''' | ---------- | ||
== '''Coeficientes''' == | |||
En principio tenemos que: TP + FP + FN + TN = N | En principio tenemos que: TP + FP + FN + TN = N | ||
'''Misclassification Ratio:''' | '''Misclassification Ratio:''' MCR = (FP + FN) / N | ||
MCR = (FP + FN) / N | |||
'''The Jaccard Similarity:''' | '''The Jaccard Similarity:''' Jaccard = TP / (TP + FN + FP) | ||
Jaccard = TP / (TP + FN + FP) | |||
'''True Positive Fraction and Sensitivity:''' | '''True Positive Fraction and Sensitivity:''' TPF = TP / (TP + FN) = sensitivity | ||
TPF = TP / (TP + FN) = sensitivity | |||
Esta puede ser multiplicada por 100 para expresarlo como un porcentaje. | Esta puede ser multiplicada por 100 para expresarlo como un porcentaje. | ||
| Línea 43: | Línea 48: | ||
'''False Positive Fraction and Specificity''' | '''False Positive Fraction and Specificity''' FPF = FN / (FN + TN) = 1 - specificity | ||
FPF = FN / (FN + TN) = 1 - specificity | |||
Esta puede ser multiplicada por 100 para expresarlo como un porcentaje. | Esta puede ser multiplicada por 100 para expresarlo como un porcentaje. | ||
| Línea 51: | Línea 54: | ||
'''Specificity:''' | '''Specificity:''' specificity = TN / (FN + TN) | ||
specificity = TN / (FN + TN) | |||
'''Segmentation Accuracy :''' | '''Segmentation Accuracy :''' SA = (TP + TN) / N (x 100) | ||
SA = (TP + TN) / N (x 100) | |||
'''Mean Error | '''Mean Error''' = (FP + FN) / N | ||
| Línea 66: | Línea 66: | ||
'''Note:''' | == '''Note:''' == | ||
The difference between ratio and fraction in the literature seems to be that the ratio is a value between 0 and 1, while the fraction seems to be a percentage (ratio x 100). | The difference between ratio and fraction in the literature seems to be that the ratio is a value between 0 and 1, while the fraction seems to be a percentage (ratio x 100). | ||
| Línea 83: | Línea 84: | ||
'''Otras referencias:''' | |||
== '''Otras referencias:''' == | |||
http://en.wikipedia.org/wiki/True_positive | http://en.wikipedia.org/wiki/True_positive | ||
| Línea 93: | Línea 96: | ||
Resumen hecho por Alexandre Savio de una comunicación por correo electrónico con Manuel Graña | Resumen hecho por Alexandre Savio de una comunicación por correo electrónico con Manuel Graña, Maite García-Sebastián, Jean-Luc Lor y Charlotte Rosak | ||
Cualquier añadido, correción o comentario será bienvenido. | Cualquier añadido, correción o comentario será bienvenido. | ||
Revisión del 14:51 21 jul 2008
Introducción
Hemos realizado esta página para resumir y concretar algunos coeficientes estadísticos que siempre aparecen en muchos de nuestros experimentos. Estos coeficientes nos ayudan a medir la calidad de nuestros resultados al compararlos con la verdad del terreno.
El trabajo en el que se basa esta página es sobre evaluación de algunos resultados de segmentación de imágenes de resonancia magnética, entonces oiréis hablar sobre vóxeles, aunque estos coeficientes son aplicables a otras materias.
Definiciones
N = número de vóxeles de las imágenes.
La matriz de contingencia donde las filas corresponden a la verdad del terreno y las columnas a los resultados:
TP FP
FN TN
En muchas referencias las columnas corresponden a la verdad del terreno y las filas a los resultados, entonces la matriz de contingencia es la traspuesta de la descrita arriba.
Coeficientes
En principio tenemos que: TP + FP + FN + TN = N
Misclassification Ratio: MCR = (FP + FN) / N
The Jaccard Similarity: Jaccard = TP / (TP + FN + FP)
True Positive Fraction and Sensitivity: TPF = TP / (TP + FN) = sensitivity
Esta puede ser multiplicada por 100 para expresarlo como un porcentaje.
False Positive Fraction and Specificity FPF = FN / (FN + TN) = 1 - specificity
Esta puede ser multiplicada por 100 para expresarlo como un porcentaje.
Specificity: specificity = TN / (FN + TN)
Segmentation Accuracy : SA = (TP + TN) / N (x 100)
Mean Error = (FP + FN) / N
Note:
The difference between ratio and fraction in the literature seems to be that the ratio is a value between 0 and 1, while the fraction seems to be a percentage (ratio x 100).
The ASR is only meaningful when we are dealing with multiple class problems: Gray Matter, White Matter and CSF. Then we will have specific contigency matrices, one for each class of the problem. So, in our problem we have three contingency matrices, one for each brain tissue class:
TP_c, FP_c, TN_c, FN_c, N_c where c = GM, WM or CSF
Then, ASR = (sum_c TP_c) / (sum_c (TP_c + FP_c ))
where sum_c means the sum over all different classes.
Otras referencias:
http://en.wikipedia.org/wiki/True_positive
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
Resumen hecho por Alexandre Savio de una comunicación por correo electrónico con Manuel Graña, Maite García-Sebastián, Jean-Luc Lor y Charlotte Rosak
Cualquier añadido, correción o comentario será bienvenido.
