Nilai prediksi positif versus sensitivitas: apa bedanya?

Salah satu cara paling umum untuk mengevaluasi performa model klasifikasi adalah dengan membuat matriks konfusi, yang merangkum hasil prediksi model dibandingkan dengan hasil sebenarnya dari kumpulan data.

Dua metrik yang sering kita minati dalam matriks konfusi adalah nilai prediktif positif dan sensitivitas .

Nilai prediksi positif adalah probabilitas bahwa suatu observasi dengan hasil prediksi positif sebenarnya mempunyai hasil positif.

Ini dihitung sebagai berikut:

Nilai prediksi positif = Positif Benar / (Positif Benar + Positif Palsu)

Sensitivitas adalah probabilitas bahwa suatu observasi dengan hasil positif sebenarnya mempunyai hasil prediksi positif.

Ini dihitung sebagai berikut:

Sensitivitas = Positif Benar / (Positif Benar + Negatif Palsu)

Contoh berikut menunjukkan cara menghitung kedua metrik ini dalam praktiknya.

Contoh: Perhitungan nilai prediksi positif dan sensitivitas

Misalkan seorang dokter menggunakan model regresi logistik untuk memprediksi apakah 400 orang mengidap penyakit tertentu atau tidak.

Matriks konfusi berikut merangkum prediksi yang dibuat oleh model:

Kami akan menghitung nilai prediksi positif sebagai berikut:

• Nilai prediksi positif = Positif Benar / (Positif Benar + Positif Palsu)
• Nilai prediksi positif = 15 / (15 + 10)
• Nilai prediksi positif = 0,60

Hal ini menunjukkan bahwa probabilitas seseorang yang menerima hasil tes positif sebenarnya mengidap penyakit tersebut adalah 0,60 .

Kami akan menghitung sensitivitas sebagai berikut:

• Sensitivitas = Positif Benar / (Positif Benar + Negatif Palsu)
• Sensitivitas = 15 / (15 + 5)
• Sensitivitas = 0,75

Hal ini menunjukkan bahwa probabilitas seseorang yang mengidap penyakit tersebut akan mendapatkan hasil tes positif adalah 0,75 .

Sumber daya tambahan

Tutorial berikut menjelaskan cara membuat matriks konfusi di berbagai perangkat lunak statistik:

Cara Membuat Matriks Kebingungan di Excel
Cara membuat matriks konfusi di R
Cara Membuat Matriks Kebingungan dengan Python