贝叶斯决策中的两类错误率分析

贝叶斯决策中的两类错误率分析

1. 问题的引入

不同情况的分类错误所带来的损失是不同的，故在很多问题中，两类并不是等同的。
在医学领域，人们通常用阳性（positive）和阴性（negative）来代表两类，阳性表示某一症状存在，或者检测到某一指标的异常，而阴性则表示所考查的症状不存在或者所监测的指标没有异常。
对疾病的诊断就是对阳性和阴性的一个两类决策问题。

决策	阳性	阴性
阳性	真阳性（TP）	假阳性（FP）
阴性	假阴性（FN）	真阴性（TN）

相应地，错误分类有假阳性和假阴性两种情况。

类别	含义
假阳性率	假阳性样本占总阴性样本的比例
假阴性率	假阴性样本占总阳性样本的比例

2. 方法的评价

在评价一种检测方法时，人们经常用的两个概念是灵敏度（sensitivity）和特异度（specificity）。如果用TP、TN、FP、FN分别表示真阳性、真阴性、假阳性、假阴性样本的个数。

评价指标	公式