タグ付けされた質問 「d-prime」

機械学習では、ROC曲線の下の領域（多くの場合、省略されたAUCまたはAUROC）を使用して、システムが2つのカテゴリーをどれだけうまく区別できるかを要約します。信号検出理論では、d′d′d'（感度指数）が同様の目的で使用されることがよくあります。この2つは密接に関連しており、特定の前提条件が満たされていれば、両者は同等であると思います。 の計算は、通常、（例えば、上記のリンクウィキペディアを参照）の信号分布のために正規分布を仮定に基づいて提示されます。ROC曲線の計算ではこの仮定は行われません。これは、しきい値処理可能な連続値の決定基準を出力する分類子に適用できます。d′d′d' ウィキペディアによれば、は2 AUC − 1に相当します。両方の仮定が満たされている場合、これは正しいようです。しかし、仮定が同じでない場合、それは普遍的な真実ではありません。d′d′d'2AUC−12AUC−12 \text{AUC} - 1 仮定の違いを「AUCは基礎となる分布についての仮定を少なくする」と特徴づけることは公正ですか？または、実際にはAUCと同じくらい広く適用できますが、d ′を使用する人々が正規分布を仮定する計算を使用する傾向があるのは、単なる一般的な慣習ですか？私が見逃した根本的な仮定に他の違いはありますか？d′d′d'd′d′d'

13 machine-learning  roc  auc  signal-detection  d-prime 

古いアイテムと新しいアイテムの検出を含むメモリタスクのdプライムを計算したいと思います。私が抱えている問題は、一部の被験者のヒット率が1であるか、誤警報率が0であるということです。これにより、確率がそれぞれ100％と0％になります。 dプライムの式はですd' = z(H) - z(F)。ここでz(H)、z(F)はヒット率のz変換と誤警報です。 z変換を計算するには、Excel関数NORMSINV（つまり、z(H)=NORMSINV(hit rate)）を使用します。ただし、ヒット率または誤警報率がそれぞれ1または0の場合、関数はエラーを返します。これは、私が理解しているように、z変換がROC曲線の下の領域を示しているため、数学的に100％または0％の確率が許容されていないためです。この場合、天井性能の被験者のd 'の計算方法がわかりません。 1つのウェブサイトでは、1と0のレートを1-1 /（2N）と1 / 2Nに置き換えることを提案しています。Nはヒットと誤警報の最大数です。別のWebサイトでは、「HもFも0でも1でもない（そうであれば、少し上または下に調整する）」とあります。これは恣意的です。誰かがこれについて意見を持っているか、適切なリソースを私に指摘したいですか？

10 roc  excel  signal-detection  d-prime