Preencher os campos em azul com Valores absolutos
VP - Verdadeiro positivo
FP - Falso positivo
VN - Verdadeiro negativo
FN - Falso negativo
Acurácia
A proporção de predições corretas, sem levar em consideração o que é positivo e o que é negativo.
Esta medida é altamente suscetivel a desbalanceamentos do conjunto de dados e pode facilmente
induzir a uma conclusão errada sobre o desempenho do sistema.
ACURACIA = TOTAL DE ACERTOS / TOTAL DE DADOS NO CONJUNTO
ACURACIA = (VP + VN) / (P + N)
Sensibilidade
A proporção de verdadeiros positivos: a capacidade do sistema em predizer corretamente a condição
para casos que realmente a têm.
SENSIBILIDADE = ACERTOS POSITIVOS / TOTAL DE POSITIVOS
SENSIBILIDADE = VP / (VP + FN)
Especificidade
A proporção de verdadeiros negativos: a capacidade do sistema em predizer corretamente a ausência da condição
para casos que realmente não a têm.
ESPECIFICIDADE = ACERTOS NEGATIVOS / TOTAL DE NEGATIVOS
ESPECIFICIDADE = VN / (VN + FP)
Eficiência
A média aritmética da Sensibilidade e Especificidade. Na prática, a sensibilidade e a especificidade variam
em direções opostas. Isto é, geralmente, quando um método é muito sensível a positivos, tende a gerar muitos
falso-positivos, e vice-versa. Assim, um método de decisão perfeito (100 % de sensibilidade e 100% especificidade)
raramente é alcançado, e um balanço entre ambos deve ser atingido.
EFICIENCIA = (SENS + ESPEC) / 2
valor preditivo positivo
A proporção de verdadeiros positivos em relação a todas as predições positivas. Esta medida é altamente
suscetivel a desbalanceamentos do conjunto de dados e pode facilmente induzir a uma conclusão errada
sobre o desempenho do sistema.
VPP = ACERTOS POSITIVOS / TOTAL DE PREDIÇÕES POSITIVAS
VALOR PREDITIVO POSITIVO = VP / (VP + FP)
valor preditivo negativo
A proporção de verdadeiros negativos em relação a todas as predições negativas. Esta medida é altamente
suscetivel a desbalanceamentos do conjunto de dados e pode facilmente induzir a uma conclusão errada sobre
o desempenho do sistema.
VPN = ACERTOS NEGATIVOS / TOTAL DE PREDIÇÕES NEGATIVAS
VALOR PREDITIVO NEGATIVO = VN / (VN + FN)
Coeficiente de Correlação de Matthews - Coeficiente (phi)
O coeficiente de correlação de Matthews é uma medida de qualidade de duas classificações binárias que pode
ser usada mesmo se as classes possuem tamanhos bastante diferentes. Retorna um valor entre (-1) e (+1), em que
um coeficiente de (+1) representa uma predicao perfeita, (0) representa uma predicao aleatoria media, e (-1) uma predicao inversa.
Esta estatistica é equivalente ao coeficiente phi, e tenta, assim como a eficiência, resumir a qualidade
da tabela de contingência em um único valor numérico passivel de ser comparado.
phi = (VP*VN - FP*FN) / sqrt((VP + FP)*(VP + FN)*(VN + FP)*(VN + FN))
Note que, se qualquer uma das somas no denominador for igual a (0), o denominador pode ser
considerado (1), resutando em um phi igual a (0) que seria o limite correto para esta situação.
Referências:
ZHU, W.; ZENG, N.; WANG, N. NESUG 2010 Health Care and Life Sciences Sensitivity , Specificity , Accuracy , Associated
Confidence Interval and ROC Analysis with Practical SAS. Life
Sciences, p. 1-9, 2010.
PARK, S. H. Receiver Operating Characteristic ( ROC ) Curve : Practical Review. Korean Journal Of Radiology,
v. 5, n. March, 2004.