Loading…
 None
String updated in the repository |
|
|
None
String updated in the repository |
This analysis demonstrates <b>binary classification</b> which is a common statistical procedure where subjects are classified into two groups based on a classification rule.
Binary classification is a procedure where data about the subject is dichotomised to reach a binary decision (e.g., yes/no, true/false). Common binary classification applications are: <ul> <li><b>Medical testing and diagnosis</b> where the classification determines whether a patient has a certain disease or not.</li> <li><b>Spam detection</b> where the classification determines whether a message (e.g., an email) is spam or not.</li> <li><b>Quality control</b> where the classification determines whether an industry standard is met or not.</li> </ul> Because binary classification is often used in medical testing, the terminology surrounding binary classification problems is similar to medical terminology (e.g., prevalence, condition, marker). In practice, there is an important distinction between the <i>true</i> state of the subject and the <i>assigned label</i> given by the classification rule. In JASP, the true state is called <b>condition</b> (positive/negative) and the assigned label is called <b>test</b> (positive/negative). In many applications, the conditions or the tests may not be symmetric, therefore various types of errors are of interest in addition to an overall measure of accuracy. These types of errors distinguish, for example, whether a patient has a disease but the test came back negative (false negative), or whether a patient does not have a disease but the test came back positive (false positive). Properties of the test are usually described in terms of its <b>sensitivity</b> and <b>specificity</b>. Sensitivity is the probability of testing positive if the condition is positive. Specificity is the probability of testing negative if the condition is negative. A property of condition is <b>prevalence</b>, which is the proportion of subjects that have a positive condition in the population. Asymmetric characteristics of the test or prevalence can lead to situations that may appear to the untrained eye as paradoxical. For example, in certain situations it is more likely that a patient does not have a particular disease than that they do, even after testing positive for that disease. Formally, the probability that a subject has a positive condition after the test is positive (i.e., the positive predictive value) is obtained by applying <b>Bayes theorem</b>: %s <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a> <a href="https://wikipedia.org/wiki/Evaluation_of_binary_classifiers">https://wikipedia.org/wiki/Evaluation_of_binary_classifiers</a> <a href="https://wikipedia.org/wiki/Bayes%%27_theorem">https://wikipedia.org/wiki/Bayes%%27_theorem</a>
Diese Analyse demonstriert die <b>binäre Klassifikation</b>, ein gängiges statistisches Verfahren, bei dem Fälle anhand einer Klassifikationsregel in zwei Gruppen eingeteilt werden.
Die binäre Klassifizierung ist ein Verfahren, bei dem Daten über den Fall dichotomisiert werden, um zu einer binären Entscheidung zu gelangen (z. B. ja/nein, wahr/falsch). Übliche Anwendungen der binären Klassifikation sind: <ul> <li><b>Medizinische Tests und Diagnosen</b>, bei denen die Klassifizierung bestimmt, ob ein Patient eine bestimmte Krankheit hat oder nicht.</li> <li><b>Spam-Erkennung</b>, bei der die Klassifizierung bestimmt, ob eine Nachricht (z. B. eine E-Mail) Spam ist oder nicht.</li> <li><b>Qualitätskontrolle</b>, bei der die Klassifizierung bestimmt, ob ein Industriestandard eingehalten wurde oder nicht.</li> </ul> Da die binäre Klassifikation häufig bei medizinischen Tests verwendet wird, sind die Begriffe rund um binäre Klassifikationsprobleme medizinischen Begriffen ähnlich (z. B. Prävalenz, Zustand, Marker). In der Praxis gibt es eine wichtige Unterscheidung zwischen dem <i>wahren</i> Zustand des Falls und der <i>zugewiesenen Bezeichnung</i>, die durch die Klassifikationsregel gegeben ist. In JASP wird der wahre Zustand als <b>Zustand</b> (positiv/negativ) und die zugewiesene Bezeichnung als <b>Test</b> (positiv/negativ) bezeichnet. In vielen Anwendungen sind die Zustände oder der Test möglicherweise nicht symmetrisch, daher sind neben einem allgemeinen Genauigkeitsmaß auch verschiedene Fehlerarten von Interesse. Diese Fehlerarten unterscheiden beispielsweise, ob ein Patient eine Krankheit hat, der Test aber negativ ausgefallen ist (falsch negativ), oder ob ein Patient eine Krankheit nicht hat, der Test aber positiv ausgefallen ist (falsch positiv). Die Eigenschaften eines Tests werden üblicherweise durch seine <b>Sensitivität</b> und <b>Spezifität</b> beschrieben. Die Sensitivität ist die Wahrscheinlichkeit, positiv zu testen, wenn der Zustand positiv ist. Spezifität ist die Wahrscheinlichkeit, negativ zu testen, wenn der Zustand negativ ist. Eine Eigenschaft des Zustands ist die <b>Prävalenz</b>, d. h. der Anteil der Fälle, die einen positiven Zustand in der Grundgesamtheit haben. Asymmetrische Eigenschaften des Tests oder der Prävalenz können zu Situationen führen, die dem ungeschulten Auge als paradox erscheinen können. Zum Beispiel ist es in bestimmten Situationen wahrscheinlicher, dass ein Patient eine bestimmte Krankheit nicht hat, als dass er sie hat, selbst wenn er positiv auf diese Krankheit getestet wurde. Formal erhält man die Wahrscheinlichkeit, dass ein Fall einen positiven Zustand hat, nachdem der Test positiv ausgefallen ist (d. h. der positive prädiktive Wert), durch Anwendung des <b>Satzes von Bayes</b>: <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a> <a href="https://de.wikipedia.org/wiki/Beurteilung_eines_bin%%C3%%A4ren_Klassifikators">https://de.wikipedia.org/wiki/Beurteilung_eines_bin <a href="https://de.wikipedia.org/wiki/Satz_von_Bayes">https://de.wikipedia.org/wiki/Satz_von_Bayes</a> |
 JoKeyser
Translation changed |
This analysis demonstrates <b>binary classification</b> which is a common statistical procedure where subjects are classified into two groups based on a classification rule.
Binary classification is a procedure where data about the subject is dichotomised to reach a binary decision (e.g., yes/no, true/false). Common binary classification applications are: <ul> <li><b>Medical testing and diagnosis</b> where the classification determines whether a patient has a certain disease or not.</li> <li><b>Spam detection</b> where the classification determines whether a message (e.g., an email) is spam or not.</li> <li><b>Quality control</b> where the classification determines whether an industry standard is met or not.</li> </ul> Because binary classification is often used in medical testing, the terminology surrounding binary classification problems is similar to medical terminology (e.g., prevalence, condition, marker). In practice, there is an important distinction between the <i>true</i> state of the subject and the <i>assigned label</i> given by the classification rule. In JASP, the true state is called <b>condition</b> (positive/negative) and the assigned label is called <b>test</b> (positive/negative). In many applications, the conditions or the tests may not be symmetric, therefore various types of errors are of interest in addition to an overall measure of accuracy. These types of errors distinguish, for example, whether a patient has a disease but the test came back negative (false negative), or whether a patient does not have a disease but the test came back positive (false positive). Properties of the test are usually described in terms of its <b>sensitivity</b> and <b>specificity</b>. Sensitivity is the probability of testing positive if the condition is positive. Specificity is the probability of testing negative if the condition is negative. A property of condition is <b>prevalence</b>, which is the proportion of subjects that have a positive condition in the population. Asymmetric characteristics of the test or prevalence can lead to situations that may appear to the untrained eye as paradoxical. For example, in certain situations it is more likely that a patient does not have a particular disease than that they do, even after testing positive for that disease. Formally, the probability that a subject has a positive condition after the test is positive (i.e., the positive predictive value) is obtained by applying <b>Bayes theorem</b>: %s <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a> <a href="https://wikipedia.org/wiki/Evaluation_of_binary_classifiers">https://wikipedia.org/wiki/Evaluation_of_binary_classifiers</a> <a href="https://wikipedia.org/wiki/Bayes%%27_theorem">https://wikipedia.org/wiki/Bayes%%27_theorem</a>
Diese Analyse demonstriert die <b>binäre Klassifikation</b>, ein gängiges statistisches Verfahren, bei dem Fälle anhand einer Klassifikationsregel in zwei Gruppen eingeteilt werden.
Die binäre Klassifizierung ist ein Verfahren, bei dem Daten über den Fall dichotomisiert werden, um zu einer binären Entscheidung zu gelangen (z. B. ja/nein, wahr/falsch). Übliche Anwendungen der binären Klassifikation sind: <ul> <li><b>Medizinische Tests und Diagnosen</b>, bei denen die Klassifizierung bestimmt, ob ein Patient eine bestimmte Krankheit hat oder nicht.</li> <li><b>Spam-Erkennung</b>, bei der die Klassifizierung bestimmt, ob eine Nachricht (z. B. eine E-Mail) Spam ist oder nicht.</li> <li><b>Qualitätskontrolle</b>, bei der die Klassifizierung bestimmt, ob ein Industriestandard eingehalten wurde oder nicht.</li> </ul> Da die binäre Klassifikation häufig bei medizinischen Tests verwendet wird, sind die Begriffe rund um binäre Klassifikationsprobleme medizinischen Begriffen ähnlich (z. B. Prävalenz, Zustand, Marker). In der Praxis gibt es eine wichtige Unterscheidung zwischen dem <i>wahren</i> Zustand des Falls und der <i>zugewiesenen Bezeichnung</i>, die durch die Klassifikationsregel gegeben ist. In JASP wird der wahre Zustand als <b>Zustand</b> (positiv/negativ) und die zugewiesene Bezeichnung als <b>Test</b> (positiv/negativ) bezeichnet. In vielen Anwendungen sind die Zustände oder der Test möglicherweise nicht symmetrisch, daher sind neben einem allgemeinen Genauigkeitsmaß auch verschiedene Fehlerarten von Interesse. Diese Fehlerarten unterscheiden beispielsweise, ob ein Patient eine Krankheit hat, der Test aber negativ ausgefallen ist (falsch negativ), oder ob ein Patient eine Krankheit nicht hat, der Test aber positiv ausgefallen ist (falsch positiv). Die Eigenschaften eines Tests werden üblicherweise durch seine <b>Sensitivität</b> und <b>Spezifität</b> beschrieben. Die Sensitivität ist die Wahrscheinlichkeit, positiv zu testen, wenn der Zustand positiv ist. Spezifität ist die Wahrscheinlichkeit, negativ zu testen, wenn der Zustand negativ ist. Eine Eigenschaft des Zustands ist die <b>Prävalenz</b>, d. h. der Anteil der Fälle, die einen positiven Zustand in der Grundgesamtheit haben. Asymmetrische Eigenschaften des Tests oder der Prävalenz können zu Situationen führen, die dem ungeschulten Auge als paradox erscheinen können. Zum Beispiel ist es in bestimmten Situationen wahrscheinlicher, dass ein Patient eine bestimmte Krankheit nicht hat, als dass er sie hat, selbst wenn er positiv auf diese Krankheit getestet wurde. Formal erhält man die Wahrscheinlichkeit, dass ein Fall einen positiven Zustand hat, nachdem der Test positiv ausgefallen ist (d. h. der positive prädiktive Wert), durch Anwendung des <b>Satzes von Bayes</b>: <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://de.wikipedia.org/wiki/Beurteilung_eines_bin%%C3%%A4ren_Klassifikators">https://de.wikipedia.org/wiki/Beurteilung_eines_binären_Klassifikators</a> <a href="https://de.wikipedia.org/wiki/Satz_von_Bayes">https://de.wikipedia.org/wiki/Satz_von_Bayes</a> |
|
JoKeyser
Translation changed |
This analysis demonstrates <b>binary classification</b> which is a common statistical procedure where subjects are classified into two groups based on a classification rule.
Binary classification is a procedure where data about the subject is dichotomised to reach a binary decision (e.g., yes/no, true/false). Common binary classification applications are: <ul> <li><b>Medical testing and diagnosis</b> where the classification determines whether a patient has a certain disease or not.</li> <li><b>Spam detection</b> where the classification determines whether a message (e.g., an email) is spam or not.</li> <li><b>Quality control</b> where the classification determines whether an industry standard is met or not.</li> </ul> Because binary classification is often used in medical testing, the terminology surrounding binary classification problems is similar to medical terminology (e.g., prevalence, condition, marker). In practice, there is an important distinction between the <i>true</i> state of the subject and the <i>assigned label</i> given by the classification rule. In JASP, the true state is called <b>condition</b> (positive/negative) and the assigned label is called <b>test</b> (positive/negative). In many applications, the conditions or the tests may not be symmetric, therefore various types of errors are of interest in addition to an overall measure of accuracy. These types of errors distinguish, for example, whether a patient has a disease but the test came back negative (false negative), or whether a patient does not have a disease but the test came back positive (false positive). Properties of the test are usually described in terms of its <b>sensitivity</b> and <b>specificity</b>. Sensitivity is the probability of testing positive if the condition is positive. Specificity is the probability of testing negative if the condition is negative. A property of condition is <b>prevalence</b>, which is the proportion of subjects that have a positive condition in the population. Asymmetric characteristics of the test or prevalence can lead to situations that may appear to the untrained eye as paradoxical. For example, in certain situations it is more likely that a patient does not have a particular disease than that they do, even after testing positive for that disease. Formally, the probability that a subject has a positive condition after the test is positive (i.e., the positive predictive value) is obtained by applying <b>Bayes theorem</b>: %s <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a> <a href="https://wikipedia.org/wiki/Evaluation_of_binary_classifiers">https://wikipedia.org/wiki/Evaluation_of_binary_classifiers</a> <a href="https://wikipedia.org/wiki/Bayes%%27_theorem">https://wikipedia.org/wiki/Bayes%%27_theorem</a>
Diese Analyse demonstriert die <b>binäre Klassifikation</b>, ein gängiges statistisches Verfahren, bei dem Fälle anhand einer Klassifikationsregel in zwei Gruppen eingeteilt werden.
Die binäre Klassifizierung ist ein Verfahren, bei dem Daten über den Fall dichotomisiert werden, um zu einer binären Entscheidung zu gelangen (z. B. ja/nein, wahr/falsch). Übliche Anwendungen der binären Klassifikation sind: <ul> <li><b>Medizinische Tests und Diagnosen</b>, bei denen die Klassifizierung bestimmt, ob ein Patient eine bestimmte Krankheit hat oder nicht.</li> <li><b>Spam-Erkennung</b>, bei der die Klassifizierung bestimmt, ob eine Nachricht (z. B. eine E-Mail) Spam ist oder nicht.</li> <li><b>Qualitätskontrolle</b>, bei der die Klassifizierung bestimmt, ob ein Industriestandard eingehalten wurde oder nicht.</li> </ul> Da die binäre Klassifikation häufig bei medizinischen Tests verwendet wird, sind die Begriffe rund um binäre Klassifikationsprobleme medizinischen Begriffen ähnlich (z. B. Prävalenz, Zustand, Marker). In der Praxis gibt es eine wichtige Unterscheidung zwischen dem <i>wahren</i> Zustand des Falls und der <i>zugewiesenen Bezeichnung</i>, die durch die Klassifikationsregel gegeben ist. In JASP wird der wahre Zustand als <b>Zustand</b> (positiv/negativ) und die zugewiesene Bezeichnung als <b>Test</b> (positiv/negativ) bezeichnet. In vielen Anwendungen sind die Zustände oder der Test möglicherweise nicht symmetrisch, daher sind neben einem allgemeinen Genauigkeitsmaß auch verschiedene Fehlerarten von Interesse. Diese Fehlerarten unterscheiden beispielsweise, ob ein Patient eine Krankheit hat, der Test aber negativ ausgefallen ist (falsch negativ), oder ob ein Patient eine Krankheit nicht hat, der Test aber positiv ausgefallen ist (falsch positiv). Die Eigenschaften eines Tests werden üblicherweise durch seine <b>Sensitivität</b> und <b>Spezifität</b> beschrieben. Die Sensitivität ist die Wahrscheinlichkeit, positiv zu testen, wenn der Zustand positiv ist. Spezifität ist die Wahrscheinlichkeit, negativ zu testen, wenn der Zustand negativ ist. Eine Eigenschaft des Zustands ist die <b>Prävalenz</b>, d. h. der Anteil der Fälle, die einen positiven Zustand in der Grundgesamtheit haben. Asymmetrische Eigenschaften des Tests oder der Prävalenz können zu Situationen führen, die dem ungeschulten Auge als paradox erscheinen können. Zum Beispiel ist es in bestimmten Situationen wahrscheinlicher, dass ein Patient eine bestimmte Krankheit nicht hat, als dass er sie hat, selbst wenn er positiv auf diese Krankheit getestet wurde. Formal erhält man die Wahrscheinlichkeit, dass ein Fall einen positiven Zustand hat, nachdem der Test positiv ausgefallen ist (d. h. der positive prädiktive Wert), durch Anwendung des <b>Satzes von Bayes</b>: <img src = "img:jaspLearnBayes/icons/bayes.png", width="500"> <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://de.wikipedia.org/wiki/Satz_von_Bayes">https://de.wikipedia.org/wiki/Satz_von_Bayes</a> |
|
None
String updated in the repository |
This analysis demonstrates <b>binary classification</b> which is a common statistical procedure where subjects are classified into two groups based on a classification rule.
Binary classification is a procedure where data about the subject is dichotomised to reach a binary decision (e.g., yes/no, true/false). Common binary classification applications are: <ul> <li><b>Medical testing and diagnosis</b> where the classification determines whether a patient has a certain disease or not.</li> <li><b>Spam detection</b> where the classification determines whether a message (e.g., an email) is spam or not.</li> <li><b>Quality control</b> where the classification determines whether an industry standard is met or not.</li> </ul> Because binary classification is often used in medical testing, the terminology surrounding binary classification problems is similar to medical terminology (e.g., prevalence, condition, marker). In practice, there is an important distinction between the <i>true</i> state of the subject and the <i>assigned label</i> given by the classification rule. In JASP, the true state is called <b>condition</b> (positive/negative) and the assigned label is called <b>test</b> (positive/negative). In many applications, the conditions or the tests may not be symmetric, therefore various types of errors are of interest in addition to an overall measure of accuracy. These types of errors distinguish, for example, whether a patient has a disease but the test came back negative (false negative), or whether a patient does not have a disease but the test came back positive (false positive). Properties of the test are usually described in terms of its <b>sensitivity</b> and <b>specificity</b>. Sensitivity is the probability of testing positive if the condition is positive. Specificity is the probability of testing negative if the condition is negative. A property of condition is <b>prevalence</b>, which is the proportion of subjects that have a positive condition in the population. Asymmetric characteristics of the test or prevalence can lead to situations that may appear to the untrained eye as paradoxical. For example, in certain situations it is more likely that a patient does not have a particular disease than that they do, even after testing positive for that disease. Formally, the probability that a subject has a positive condition after the test is positive (i.e., the positive predictive value) is obtained by applying <b>Bayes theorem</b>: %s <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a> <a href="https://wikipedia.org/wiki/Evaluation_of_binary_classifiers">https://wikipedia.org/wiki/Evaluation_of_binary_classifiers</a> <a href="https://wikipedia.org/wiki/Bayes%%27_theorem">https://wikipedia.org/wiki/Bayes%%27_theorem</a>
Diese Analyse demonstriert die <b>binäre Klassifikation</b>, ein gängiges statistisches Verfahren, bei dem Fälle anhand einer Klassifikationsregel in zwei Gruppen eingeteilt werden.
Die binäre Klassifizierung ist ein Verfahren, bei dem Daten über den Fall dichotomisiert werden, um zu einer binären Entscheidung zu gelangen (z. B. ja/nein, wahr/falsch). Übliche Anwendungen der binären Klassifikation sind: <ul> <li><b>Medizinische Tests und Diagnosen</b>, bei denen die Klassifizierung bestimmt, ob ein Patient eine bestimmte Krankheit hat oder nicht.</li> <li><b>Spam-Erkennung</b>, bei der die Klassifizierung bestimmt, ob eine Nachricht (z. B. eine E-Mail) Spam ist oder nicht.</li> <li><b>Qualitätskontrolle</b>, bei der die Klassifizierung bestimmt, ob ein Industriestandard eingehalten wurde oder nicht.</li> </ul> Da die binäre Klassifikation häufig bei medizinischen Tests verwendet wird, sind die Begriffe rund um binäre Klassifikationsprobleme medizinischen Begriffen ähnlich (z. B. Prävalenz, Zustand, Marker). In der Praxis gibt es eine wichtige Unterscheidung zwischen dem <i>wahren</i> Zustand des Falls und der <i>zugewiesenen Bezeichnung</i>, die durch die Klassifikationsregel gegeben ist. In JASP wird der wahre Zustand als <b>Zustand</b> (positiv/negativ) und die zugewiesene Bezeichnung als <b>Test</b> (positiv/negativ) bezeichnet. In vielen Anwendungen sind die Zustände oder der Test möglicherweise nicht symmetrisch, daher sind neben einem allgemeinen Genauigkeitsmaß auch verschiedene Fehlerarten von Interesse. Diese Fehlerarten unterscheiden beispielsweise, ob ein Patient eine Krankheit hat, der Test aber negativ ausgefallen ist (falsch negativ), oder ob ein Patient eine Krankheit nicht hat, der Test aber positiv ausgefallen ist (falsch positiv). Die Eigenschaften eines Tests werden üblicherweise durch seine <b>Sensitivität</b> und <b>Spezifität</b> beschrieben. Die Sensitivität ist die Wahrscheinlichkeit, positiv zu testen, wenn der Zustand positiv ist. Spezifität ist die Wahrscheinlichkeit, negativ zu testen, wenn der Zustand negativ ist. Eine Eigenschaft des Zustands ist die <b>Prävalenz</b>, d. h. der Anteil der Fälle, die einen positiven Zustand in der Grundgesamtheit haben. Asymmetrische Eigenschaften des Tests oder der Prävalenz können zu Situationen führen, die dem ungeschulten Auge als paradox erscheinen können. Zum Beispiel ist es in bestimmten Situationen wahrscheinlicher, dass ein Patient eine bestimmte Krankheit nicht hat, als dass er sie hat, selbst wenn er positiv auf diese Krankheit getestet wurde. Formal erhält man die Wahrscheinlichkeit, dass ein Fall einen positiven Zustand hat, nachdem der Test positiv ausgefallen ist (d. h. der positive prädiktive Wert), durch Anwendung des <b>Satzes von Bayes</b>: <img src = "img:jaspLearnBayes/icons/bayes.png", width="500"> <h5>References</h5> Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press. <a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a> <a href="https://de.wikipedia.org/wiki/Beurteilung_eines_bin%%C3%%A4ren_Klassifikators">https://de.wikipedia.org/wiki/Beurteilung_eines_bin%%C3%%A4ren_Klassifikators</a> <a href="https://de.wikipedia.org/wiki/Satz_von_Bayes">https://de.wikipedia.org/wiki/Satz_von_Bayes</a> |
Binary classification is a procedure where data about the subject is dichotomised to reach a binary decision (e.g., yes/no, true/false).
Common binary classification applications are:
<ul>
<li><b>Medical testing and diagnosis</b> where the classification determines whether a patient has a certain disease or not.</li>
<li><b>Spam detection</b> where the classification determines whether a message (e.g., an email) is spam or not.</li>
<li><b>Quality control</b> where the classification determines whether an industry standard is met or not.</li>
</ul>
Because binary classification is often used in medical testing, the terminology surrounding binary classification problems is similar to medical terminology (e.g., prevalence, condition, marker).
In practice, there is an important distinction between the <i>true</i> state of the subject and the <i>assigned label</i> given by the classification rule.
In JASP, the true state is called <b>condition</b> (positive/negative) and the assigned label is called <b>test</b> (positive/negative).
In many applications, the conditions or the tests may not be symmetric, therefore various types of errors are of interest in addition to an overall measure of accuracy.
These types of errors distinguish, for example, whether a patient has a disease but the test came back negative (false negative), or whether a patient does not have a disease but the test came back positive (false positive).
Properties of the test are usually described in terms of its <b>sensitivity</b> and <b>specificity</b>.
Sensitivity is the probability of testing positive if the condition is positive.
Specificity is the probability of testing negative if the condition is negative.
A property of condition is <b>prevalence</b>, which is the proportion of subjects that have a positive condition in the population.
Asymmetric characteristics of the test or prevalence can lead to situations that may appear to the untrained eye as paradoxical.
For example, in certain situations it is more likely that a patient does not have a particular disease than that they do, even after testing positive for that disease.
Formally, the probability that a subject has a positive condition after the test is positive (i.e., the positive predictive value) is obtained by applying <b>Bayes theorem</b>:
%s
<h5>References</h5>
Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press.
<a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a>
<a href="https://wikipedia.org/wiki/Evaluation_of_binary_classifiers">https://wikipedia.org/wiki/Evaluation_of_binary_classifiers</a>
<a href="https://wikipedia.org/wiki/Bayes%%27_theorem">https://wikipedia.org/wiki/Bayes%%27_theorem</a>
Die binäre Klassifizierung ist ein Verfahren, bei dem Daten über den Fall dichotomisiert werden, um zu einer binären Entscheidung zu gelangen (z. B. ja/nein, wahr/falsch).
Übliche Anwendungen der binären Klassifikation sind:
<ul>
<li><b>Medizinische Tests und Diagnosen</b>, bei denen die Klassifizierung bestimmt, ob ein Patient eine bestimmte Krankheit hat oder nicht.</li>
<li><b>Spam-Erkennung</b>, bei der die Klassifizierung bestimmt, ob eine Nachricht (z. B. eine E-Mail) Spam ist oder nicht.</li>
<li><b>Qualitätskontrolle</b>, bei der die Klassifizierung bestimmt, ob ein Industriestandard eingehalten wurde oder nicht.</li>
</ul>
Da die binäre Klassifikation häufig bei medizinischen Tests verwendet wird, sind die Begriffe rund um binäre Klassifikationsprobleme medizinischen Begriffen ähnlich (z. B. Prävalenz, Zustand, Marker).
In der Praxis gibt es eine wichtige Unterscheidung zwischen dem <i>wahren</i> Zustand des Falls und der <i>zugewiesenen Bezeichnung</i>, die durch die Klassifikationsregel gegeben ist.
In JASP wird der wahre Zustand als <b>Zustand</b> (positiv/negativ) und die zugewiesene Bezeichnung als <b>Test</b> (positiv/negativ) bezeichnet.
In vielen Anwendungen sind die Zustände oder der Test möglicherweise nicht symmetrisch, daher sind neben einem allgemeinen Genauigkeitsmaß auch verschiedene Fehlerarten von Interesse.
Diese Fehlerarten unterscheiden beispielsweise, ob ein Patient eine Krankheit hat, der Test aber negativ ausgefallen ist (falsch negativ), oder ob ein Patient eine Krankheit nicht hat, der Test aber positiv ausgefallen ist (falsch positiv).
Die Eigenschaften eines Tests werden üblicherweise durch seine <b>Sensitivität</b> und <b>Spezifität</b> beschrieben.
Die Sensitivität ist die Wahrscheinlichkeit, positiv zu testen, wenn der Zustand positiv ist.
Spezifität ist die Wahrscheinlichkeit, negativ zu testen, wenn der Zustand negativ ist.
Eine Eigenschaft des Zustands ist die <b>Prävalenz</b>, d. h. der Anteil der Fälle, die einen positiven Zustand in der Grundgesamtheit haben.
Asymmetrische Eigenschaften des Tests oder der Prävalenz können zu Situationen führen, die dem ungeschulten Auge als paradox erscheinen können.
Zum Beispiel ist es in bestimmten Situationen wahrscheinlicher, dass ein Patient eine bestimmte Krankheit nicht hat, als dass er sie hat, selbst wenn er positiv auf diese Krankheit getestet wurde.
Formal erhält man die Wahrscheinlichkeit, dass ein Fall einen positiven Zustand hat, nachdem der Test positiv ausgefallen ist (d. h. der positive prädiktive Wert), durch Anwendung des <b>Satzes von Bayes</b>:
<img src = "img:jaspLearnBayes/icons/bayes.png", width="500">%s<h5>References</h5>
Pepe, M. S. (2003). <i>The statistical evaluation of medical tests for classification and prediction</i>. Oxford University Press.
<a href="https://wikipedia.org/wiki/Binary_classification">https://wikipedia.org/wiki/Binary_classification</a>
<a href="https://de.wikipedia.org/wiki/Beurteilung_eines_bin%%C3%%A4ren_Klassifikators">https://de.wikipedia.org/wiki/Beurteilung_eines_bin%%C3%%A4ären_Klassifikators</a><a href="https://de.wikipedia.org/wiki/Satz_von_Bayes">https://de.wikipedia.org/wiki/Satz_von_Bayes</a>