This HTML5 document contains 44 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n14http://localhost/temp/predkladatel/
n12http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n15http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F62690094%3A18450%2F06%3A00002015%21RIV08-MSM-18450___/
n10http://linked.opendata.cz/resource/domain/vavai/projekt/
n16http://linked.opendata.cz/ontology/domain/vavai/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n5http://linked.opendata.cz/ontology/domain/vavai/riv/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n8http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n18http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n17http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n9http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n13http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n7http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n6http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F62690094%3A18450%2F06%3A00002015%21RIV08-MSM-18450___
rdf:type
skos:Concept n16:Vysledek
dcterms:description
The accuracy of binary discrimination models (discrimination between cases with and without any condition) is usually summarized by classification matrix (also called a confusion, assignment, or prediction matrix). Receiver operating characteristic (ROC) curve can visualize the association between probabilities of incorrect classification of cases from the group without condition (False Positives) versus the probabilities of correct classification of cases from the group with condition (True Positives) across all the possible cut-point values of discrimination score. Area under ROC curve (AUC) is one of summary measures. This article describes the possibility of AUC estimate with the use of web based application of bootstrap (re-sampling). Bootstrap is useful mainly to data for which any distributional assumptions are not appropriate. The quality of the bootstrap application was evaluated with the use of a special programme written in $C\sharp .NET$ language that allows to automate t The accuracy of binary discrimination models (discrimination between cases with and without any condition) is usually summarized by classification matrix (also called a confusion, assignment, or prediction matrix). Receiver operating characteristic (ROC) curve can visualize the association between probabilities of incorrect classification of cases from the group without condition (False Positives) versus the probabilities of correct classification of cases from the group with condition (True Positives) across all the possible cut-point values of discrimination score. Area under ROC curve (AUC) is one of summary measures. This article describes the possibility of AUC estimate with the use of web based application of bootstrap (re-sampling). Bootstrap is useful mainly to data for which any distributional assumptions are not appropriate. The quality of the bootstrap application was evaluated with the use of a special programme written in $C\sharp .NET$ language that allows to automate t Přesnost binárního klasifikačního pravidla (tj. rozlišení skupiny bez určité vlastnosti od skupiny s určitou vlastností) je zpravidla posuzována pomocí klasifikační matice. Křivka ROC umožňuje visualizaci vztahu mezi pravděpodobností nesprávné klasifikace prvků ze skupiny s určitou danou vlastností (pozitivních prvků) a mezi pravděpodobností správné klasifikace ve skupině bez dané vlastnosti (prvků negativních), a to pro všechny hodnoty diskriminačního skóre. AUC, plocha pod ROC křivkou, je jednou ze souhrnných měr. Článek popisuje možnost odhadu AUC pomocí webové aplikace, která je založena na odhadu pomocí metody bootstrap. Bootstrap je metoda vhodná zejména v případech, když není dán předpoklad o tvaru rozdělení dikriminačního skóre v obou skupinách. Kvalita uvedené aplikace byla testována pomocí speciálního programu který je napsán v C#.NET. Tento program umožnil provést opakované testy bootstrap aplikace a vyhodnotit její vlastnosti. Odhady AUC a jejich meze spolehlivosti byly dále porovnány
dcterms:title
Webová aplikace pro odhad AUC plochy pod křivkou ROC Web-bootstrap estimate of area under ROC curve Web-bootstrap estimate of area under ROC curve
skos:prefLabel
Web-bootstrap estimate of area under ROC curve Webová aplikace pro odhad AUC plochy pod křivkou ROC Web-bootstrap estimate of area under ROC curve
skos:notation
RIV/62690094:18450/06:00002015!RIV08-MSM-18450___
n5:strany
325-330
n5:aktivita
n17:S n17:P
n5:aktivity
P(GA402/04/1308), S
n5:cisloPeriodika
2-3
n5:dodaniDat
n6:2008
n5:domaciTvurceVysledku
n12:2242133 n12:3982394
n5:druhVysledku
n13:J
n5:duvernostUdaju
n18:S
n5:entitaPredkladatele
n15:predkladatel
n5:idSjednocenehoVysledku
508914
n5:idVysledku
RIV/62690094:18450/06:00002015
n5:jazykVysledku
n9:eng
n5:klicovaSlova
discrimination; AUC estimate; resampling
n5:klicoveSlovo
n8:AUC%20estimate n8:resampling n8:discrimination
n5:kodStatuVydavatele
AT - Rakouská republika
n5:kontrolniKodProRIV
[D6AE27470B83]
n5:nazevZdroje
Austrian Journal of Statistics
n5:obor
n7:BB
n5:pocetDomacichTvurcuVysledku
2
n5:pocetTvurcuVysledku
2
n5:projekt
n10:GA402%2F04%2F1308
n5:rokUplatneniVysledku
n6:2006
n5:svazekPeriodika
35
n5:tvurceVysledku
Skalská, Hana Freylich, Václav
s:issn
1026-597X
s:numberOfPages
6
n14:organizacniJednotka
18450