मैं विभिन्न शब्दावली से परिचित हूं। जिसे आप सटीक कहते हैं, मैं सकारात्मक भविष्य कहनेवाला मूल्य (पीपीवी)। और जिसे आप रिकॉल कहते हैं, मैं संवेदनशीलता (सेंसर) कहूंगा। :
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
संवेदनशीलता (याद) के मामले में, यदि भाजक शून्य है (जैसा कि अमरो बताते हैं), कोई सकारात्मक मामले नहीं हैं, इसलिए वर्गीकरण अर्थहीन है। (जो कि टीपी या एफएन शून्य होने से नहीं रुकता है, जिसके परिणामस्वरूप 1 या 0. की सीमित संवेदनशीलता होती है। ये बिंदु क्रमशः आरओसी वक्र के ऊपरी दाएं और निचले बाएं कोने में स्थित हैं - टीपीआर = 1 और टीपीआर = 0। )
पीपीवी की सीमा हालांकि सार्थक है। परीक्षण कट-ऑफ को इतना उच्च (या निम्न) सेट करना संभव है ताकि सभी मामलों को नकारात्मक के रूप में भविष्यवाणी की जाए। यह आरओसी वक्र के मूल में है। कटऑफ के मूल में पहुंचने से ठीक पहले PPV का सीमित मूल्य मूल से ठीक पहले ROC वक्र के अंतिम खंड पर विचार करके अनुमान लगाया जा सकता है। (यह मॉडल के लिए बेहतर हो सकता है क्योंकि आरओसी घटता कुख्यात शोर हैं।)
उदाहरण के लिए यदि 100 वास्तविक सकारात्मक और 100 वास्तविक निगेटिव हैं और TPR = 0.08, FPR = 0.02 से ROC वक्र दृष्टिकोण का अंतिम सिग्नम है, तो PPV सीमित होगा PPR ~ 0.08 * 100 / (0.08 * 100 + 0.02 * 100) ) = A/१० = 0.8.० यानी prob०% एक सच्चे सकारात्मक होने की संभावना।
व्यवहार में प्रत्येक नमूना आरओसी वक्र पर एक खंड द्वारा दर्शाया जाता है - एक वास्तविक सकारात्मक के लिए एक वास्तविक नकारात्मक और ऊर्ध्वाधर के लिए क्षैतिज। कोई भी मूल से पहले बहुत ही अंतिम खंड द्वारा PPV को सीमित करने का अनुमान लगा सकता है, लेकिन यह 1, 0 या 0.5 के अनुमानित सीमित PPV देगा, यह इस बात पर निर्भर करता है कि अंतिम नमूना एक सही सकारात्मक था, एक गलत सकारात्मक (वास्तविक नकारात्मक) या बनाया गया था एक बराबर टीपी और एफपी की। एक मॉडलिंग दृष्टिकोण बेहतर होगा, शायद डेटा को सामान्य मान रहे हैं - एक आम धारणा, उदाहरण के लिए:
http://mdm.sagepub.com/content/8/3/197.short