And we use the true positive rate (

And we use the true positive rate (T PR), the false positive
rate (FPR), and Accuracy as follows:
Accuracy := (T P + T N)/(T P + FN + FP + T N) (2)
T PR := T P/(FN + T P) (3)
FPR := FP/(FP + T N) (4)
Table. V shows the event detection accuracy results for each
of the 12 subjects. The smallest witnessed Accuracy is 81.7%
and the overall Accuracy is 86.6%.
To further explore the accuracy w.r.t different FPR, we construct
the receiver operating characteristic curve (ROC) [35],
which illustrates the performance of a binary classifier system
as its discrimination threshold is varied. ROC is created by
plotting the T PR against the FPR, as shown in Fig. 7.
The red curve is constructed from the empirical data.
However, this curve may be imprecise to describe the receiver
operating characteristics, due to inadequate data or uneven
data distribution. Therefore, we fit the smooth estimation
(the green curve in Fig. 7) out of the empirical data by the
binormal model which assumes that the detection results
follow two independent Gaussian distributions. Basically, the
ROC exhibits the accuracy of event detection with different
levels of tolerance to false. For example, given a false positive
threshold of 0.1, the T PR achieves around 80%. It can be
computed that the area under the curve (AUC) is around 0.9,
which indicates that our approach can accurately detect

ผลลัพธ์ (ไทย) 1:

และเราใช้จริงบวกอัตรา (T PR), การบวกอัตรา (FPR), และความถูกต้องเป็นดังนี้:ความแม่นยำ: = (T P + T N) / (T P + FN + FP + T N) (2)ประชาสัมพันธ์ T: = T P / (FN + T P) (3)FPR: = FP / (FP + T N) (4)ตาราง V แสดงผลความแม่นยำในการตรวจจับเหตุการณ์สำหรับแต่ละวิชา 12 ความแม่นยำ witnessed เล็กสุดเป็น 81.7%และความแม่นยำโดยรวมเป็น 86.6%เพื่อสำรวจ w.r.t แม่นยำ FPR ที่แตกต่างกัน เราสร้างรับปฏิบัติการโค้งงอ (ROC) [35],ซึ่งแสดงให้เห็นถึงประสิทธิภาพของระบบการจำแนกแบบไบนารีตามเกณฑ์การปฏิบัติแตกต่างกัน ROC ถูกสร้างขึ้นโดยแผน PR T กับ FPR ดังที่แสดงในรูป 7เส้นโค้งสีแดงถูกสร้างจากข้อมูลเชิงประจักษ์อย่างไรก็ตาม เส้นโค้งนี้อาจทีอธิบายตัวรับสัญญาณลักษณะการทำงาน เนื่อง จากข้อมูลไม่เพียงพอ หรือไม่สม่ำเสมอการกระจายข้อมูล ดังนั้น เราพอประมาณเรียบ(โค้งสีเขียวในรูป 7) จากข้อมูลเชิงประจักษ์โดยการรุ่น binormal ซึ่งถือว่า ผลการตรวจสอบทำตามการกระจายนที่สองอิสระ โดยทั่วไป การROC แสดงความแม่นยำของการตรวจสอบเหตุการณ์ด้วยแตกต่างกันระดับของความอดทนเป็นเท็จ เช่น ให้ค่าบวกเป็นเท็จเกณฑ์ของ 0.1 ให้การ T PR ประมาณ 80% มันสามารถคำนวณพื้นที่ใต้เส้นโค้ง (AUC) เป็นรอบ 0.9ซึ่งบ่งชี้ว่า เราสามารถตรวจพบได้อย่างถูกต้อง

ผลลัพธ์ (ไทย) 2:

และเราจะใช้อัตราที่แท้จริงในเชิงบวก (T PR) บวกเท็จ
อัตรา (FPR) และความถูกต้องดังต่อไปนี้:
ความแม่นยำ: = (TP + TN) / (TP + Fn + FP + TN) (2)
T PR: = TP / (Fn + TP) (3)
FPR: = FP / (FP + TN) (4)
ตาราง V แสดงผลการตรวจสอบความถูกต้องของเหตุการณ์สำหรับแต่ละ
ของ 12 วิชา ความถูกต้องเป็นพยานที่เล็กที่สุดคือ 81.7%
และถูกต้องโดยรวมเป็น 86.6%.
เพื่อไปสำรวจความถูกต้อง WRT ที่แตกต่างกัน FPR เราสร้าง
ผู้รับปฏิบัติการเส้นโค้งลักษณะ (ROC) [35]
ซึ่งแสดงให้เห็นถึงประสิทธิภาพการทำงานของระบบการจําแนกไบนารี
เป็นการเลือกปฏิบัติของตน เกณฑ์จะแตกต่างกัน ร็อคถูกสร้างขึ้นโดย
พล็อต T ประชาสัมพันธ์กับ FPR ดังแสดงในรูปที่ 7.
เส้นโค้งสีแดงสร้างขึ้นมาจากข้อมูลเชิงประจักษ์.
อย่างไรก็ตามโค้งนี้อาจจะคลุมเครือเพื่ออธิบายการรับ
ลักษณะการดำเนินงานเนื่องจากข้อมูลไม่เพียงพอหรือไม่สม่ำเสมอ
การกระจายข้อมูล ดังนั้นเราจึงเหมาะสมกับการประมาณเรียบ
(โค้งสีเขียวในรูปที่ 7.) ออกจากข้อมูลเชิงประจักษ์โดย
รุ่น binormal ซึ่งสันนิษฐานว่าผลการตรวจสอบ
การปฏิบัติตามสองกระจายเสียนอิสระ โดยทั่วไป
ROC การจัดแสดงนิทรรศการความถูกต้องของการตรวจสอบกับเหตุการณ์ที่แตกต่างกัน
ในระดับของความอดทนเป็นเท็จ ตัวอย่างเช่นกำหนดบวกเท็จ
เกณฑ์ของ 0.1, ทีพีอาร์ประสบความสำเร็จประมาณ 80% มันสามารถนำมา
คำนวณว่าพื้นที่ใต้เส้นโค้ง (AUC) ที่อยู่ที่ประมาณ 0.9
ซึ่งแสดงให้เห็นว่าวิธีการของเราอย่างถูกต้องสามารถตรวจสอบได้

ผลลัพธ์ (ไทย) 3:

และเราใช้คะแนนบวกจริง ( PR ) , เท็จบวกอัตรา ( fpr ) และความถูกต้องดังนี้ความถูกต้อง : = ( T P + T n ) / ( T P + Fn + FP + T n ) ( 2 )PR : T = T / p ( FN + T P ) ( 3 )fpr : = FP / ( FP + T n ) ( 1 )ตาราง 5 แสดงความถูกต้องของผลสำหรับแต่ละเหตุการณ์ของ 12 คน ที่เห็นเป็น 81.7 % ความถูกต้องและความถูกต้องโดยรวม 2.94 %เพื่อสำรวจความถูกต้อง w.r.t แตกต่างกัน fpr เราสร้างรับทำงานลักษณะโค้ง ( ROC ) [ 35 ]ซึ่งแสดงให้เห็นถึงประสิทธิภาพของตัวระบบไบนารีเป็นเกณฑ์ คือ การเปลี่ยนแปลง ร็อคถูกสร้างขึ้นโดยพล็อตไม่ PR กับ fpr ดังแสดงในรูปที่ 7เส้นโค้งสีแดงจะถูกสร้างขึ้นจากข้อมูลเชิงประจักษ์แต่โค้งนี้อาจจะไม่แน่ชัดว่า รับคุณลักษณะการทำงาน เนื่องจากข้อมูลไม่เพียงพอหรือไม่สม่ำเสมอการกระจายข้อมูล ดังนั้นเราจึงเหมาะกับการเรียบ( เส้นสีเขียวในรูปที่ 7 ) จากข้อมูลเชิงประจักษ์โดยbinormal โมเดล ซึ่งสันนิษฐานว่า การตรวจสอบผลติดตามการกระจาย Gaussian อิสระ โดยทั่วไปร็อคแสดงความถูกต้องของการตรวจสอบเหตุการณ์ต่าง ๆระดับของความอดทนที่จะปลอม ตัวอย่างเช่น ให้บวกปลอมเกณฑ์ของ 0.1 t PR ใช้ประมาณ 80 % มันสามารถคำนวณได้ว่า พื้นที่ใต้เส้นโค้ง ( ยา ) คือประมาณ 0.9 ,ซึ่งบ่งชี้ว่า แนวทางของเราอย่างถูกต้องสามารถตรวจสอบ