Matrices de confusión y otros valores estadí­sticos

De Grupo de Inteligencia Computacional (GIC)

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

In statistics, the terms Type I error (also, α error, or false positive) and type II error (β error, or a false negative) are used to describe possible errors made in a statistical decision process. In 1928, Jerzy Neyman (1894-1981) and Egon Pearson (1895-1980), both eminent statisticians, discussed the problems associated with "deciding whether or not a particular sample may be judged as likely to have been randomly drawn from a certain population" (1928/1967, p.1): and identified "two sources of error", namely:

   (α) the error of rejecting a "correct" null hypothesis, and
   (β) the error of not rejecting a "false" null hypothesis 


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.


Por otro lado, nombraremos como N el número total de vóxeles de cada imagen.

N = número total de vóxeles de la imagen


Valores estadísticos

En principio tenemos que: TP + FP + FN + TN = N


Misclassification Ratio or Mean error: 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 = FP / (FP + TN) = 1 - specificity

Esta puede ser multiplicada por 100 para expresarlo como un porcentaje.


Specificity: specificity = TN / (FP + TN)


Segmentation Accuracy : SA = (TP + TN) / N (x 100)


Accurate Segmentation Ratio : ASR = ((TPF_GM + TPF_WM + FPT_CSF) / 3)

The ASR is used for the tissue segmented images. The ASR provides the overall evaluation based on the entire image volume, while TPF and FPF are used to measure the performance of different algorithm for a specific tissue.

Nota

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

http://www.medcalc.be/manual/roc.php

http://www.fraudwiki.org/index.php/Measuring_Performance


Autores

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.