EMPIRYCZNY I JĄDROWY ESTYMATOR KRZYWEJ ROC
DOI:
https://doi.org/10.18778/0208-6018.311.06Słowa kluczowe:
krzywa ROC curve, empiryczny estymator, metoda jądrowa, parametr wygładzania, funkcja jądraAbstrakt
W pracy rozważane są wybrane metody estymacji krzywej ROC (Receiver Operating Characteristic), w tym metody parametryczne i nieparametryczne. Podejście nieparametryczne może oznaczać zastosowanie empirycznego estymatora krzywej ROC lub estymatora jądrowego. Podjęta jest próba porównania estymacji empirycznej oraz jądrowej ze szczególnym uwzględnieniem wpływu liczebności próby, jak również metody wyboru parametru wygładzania i funkcji jądra na rezultat procedury estymacyjnej. W oparciu o wyniki badania symulacyjnego określone są wskazówki użyteczne w procedurach estymacji krzywej ROC.
Pobrania
Bibliografia
Chrzanowski M. (2014), Weighted Empirical Likelihood Inference for the Area under the ROC Curve, Journal of Statistical Planning and Inference, 147, 159-172.
Google Scholar
Domański C., Pekasiewicz D., Baszczyńska A., Witaszczyk A. (2014), Testy statystyczne w procesie podejmowania decyzji, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Google Scholar
Fawcett T. (2006), An Introduction to ROC Analysis, Pattern Recognition Letters, 27, 861-874.
Google Scholar
Harańczyk G. (2010), Krzywe ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia, Statsoft Polska, www.statsoft.pl/czytelnia.html.
Google Scholar
Horová I., Koláček J., Zelinka J. (2012), Kernel Smoothing in Matlab. Theory and Practice of Kernel Smoothing, World Scientific, New Jersey.
Google Scholar
Krzanowski W., Hand D. (2009), ROC Curves for Continuous Data, CRC Press.
Google Scholar
Krzyśko M., Wołyński W., Górecki T., Skorzybut M. (2008), Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydawnictwa Naukowo-Techniczne, Warszawa.
Google Scholar
Lloyd C. (2002), Estimation of a Convex ROC Curves, Statistics and Probability Letters, 59, 1, 99-111.
Google Scholar
Marron J., Wand M. (1992), Exact Mean Integrated Squared Error, The Annals of Statistics, 20, 2, 712-736.
Google Scholar
Misztal M. (2014), On the Selected Methods for Evaluating Classification Models, Acta Universitatis Lodziensis Folia Oeconomica , 3 (302), 161-173.
Google Scholar
Ruzgas T., Drulyrè I. (2013), Kernel Density Estimation for Gaussian Mixture Models, Lithuanian Journal of Statistics, 52, 1, 14-21.
Google Scholar