ฉันคุ้นเคยกับคำศัพท์ที่แตกต่างกัน สิ่งที่คุณเรียกว่าความแม่นยำฉันจะให้ค่าพยากรณ์ที่เป็นบวก (PPV) และสิ่งที่คุณเรียกว่าการเรียกคืนฉันจะเรียกความไว (Sens) :
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
ในกรณีของความไว (การเรียกคืน) ถ้าตัวหารเป็นศูนย์ (ตามที่แอมโรชี้ให้เห็น) จะไม่มีกรณีที่เป็นบวกดังนั้นการจำแนกประเภทจึงไม่มีความหมาย (นั่นไม่ได้หยุดทั้ง TP หรือ FN เป็นศูนย์ซึ่งจะส่งผลให้มีความไว จำกัด 1 หรือ 0 จุดเหล่านี้ตามลำดับที่มุมขวาบนและล่างซ้ายของเส้นโค้ง ROC - TPR = 1 และ TPR = 0 )
ขีด จำกัด ของ PPV นั้นมีความหมาย มีความเป็นไปได้ที่การทดสอบการตัดจะถูกตั้งค่าสูงมาก (หรือต่ำ) เพื่อให้ทุกกรณีถูกคาดการณ์ว่าเป็นค่าลบ นี่คือจุดเริ่มต้นของเส้นโค้ง ROC ค่า จำกัด ของ PPV ก่อนถึงจุดเริ่มต้นของการตัดสามารถประมาณได้โดยการพิจารณาส่วนสุดท้ายของเส้นโค้ง ROC ก่อนการกำเนิด (สิ่งนี้อาจจะดีกว่าในการสร้างแบบจำลองเนื่องจากเส้นโค้งของ ROC นั้นเสียงดังมาก)
ตัวอย่างเช่นหากมี 100 ผลบวกจริงและ 100 ลบจริงและ segnemt สุดท้ายของแนวทางโค้ง ROC จาก TPR = 0.08, FPR = 0.02 ดังนั้น PPV ที่ จำกัด จะเป็น PPR ~ 0.08 * 100 / (0.08 * 100 + 0.02 * 100 ) = 8/10 = 0.8 ie ความน่าจะเป็น 80% ของการเป็นค่าบวกที่แท้จริง
ในการปฏิบัติแต่ละตัวอย่างจะถูกแทนด้วยเซ็กเมนต์บนเส้นโค้ง ROC - แนวนอนสำหรับค่าลบจริงและแนวตั้งสำหรับค่าบวกจริง เราสามารถประมาณ PPV ที่ จำกัด โดยเซ็กเมนต์สุดท้ายก่อนต้นกำเนิด แต่นั่นจะให้ PPV ที่ จำกัด ประมาณ 1, 0 หรือ 0.5 ขึ้นอยู่กับว่าตัวอย่างสุดท้ายเป็นบวกจริงเท็จบวก (ลบจริง) หรือทำ ของ TP และ FP เท่ากัน วิธีการสร้างแบบจำลองจะดีกว่าอาจสันนิษฐานว่าข้อมูลเป็นแบบ binormal ซึ่งเป็นสมมติฐานทั่วไปเช่น:
http://mdm.sagepub.com/content/8/3/197.short