使い方
- 1 つの 2 値分類結果から TP・FP・TN・FN を入力します。
- 必要なら陽性・陰性ラベルを実務の言葉に合わせて書き換えます。
- 感度と特異度を並べて見て、見逃し重視か誤検知重視かを確認します。
Wave 7 classification metrics
1 つの閾値での拾いやすさと誤警報の少なさ
このページは 1 つの運用点だけに絞ります。診断、スクリーニング、分類モデルの説明で、見逃しと誤検知を短く共有したいときに向いています。
入力
計算すると、感度・特異度を確認できます。
感度と特異度は別の失敗を表します
感度は「実際の陽性をどれだけ拾えたか」、特異度は「実際の陰性をどれだけ陰性のまま守れたか」を見ます。片方だけ良くても、運用上はもう片方が問題になることがあります。
このページにとどまるべき場面
閾値が決まっていて、その運用点で見逃しと誤検知を説明したいときに向いています。検査の説明、しきい値の合意、運用レビュー向けです。
次に predictive values を見る場面
次に知りたいのが「陽性判定をどれだけ信じられるか」「陰性判定をどれだけ安心できるか」なら、NPV / PPV に進んでください。陽性率まで含めて説明できます。
よくある質問
ROC AUC ではなくこのページを使うのはどんなときですか？
閾値がすでに決まっていて、その運用点で感度と特異度を説明したいときに使います。ROC AUC は複数の閾値をまたいだ score の並びを比較したいとき向けです。
特異度と誤検知率の関係は？
誤検知率は 1 から特異度を引いた値です。特異度が高いほど、実際の陰性を誤って陽性とする割合は下がります。
感度・特異度だけでなく陽性率も見るべきですか？
見るべきです。感度と特異度は陽性率に直接は左右されませんが、どれだけ偏った課題なのかを説明するときや、次に PPV / NPV を考えるときに陽性率が必要になります。
共有 URL に件数やラベルは入りますか？
入りません。共有 URL には小数桁のような軽い設定だけを保存し、件数やラベルはブラウザ内にだけ残ります。
関連
コメント（任意）
負荷軽減のため、必要時のみ読み込みます。