Saya akrab dengan terminologi yang berbeda. Apa yang Anda sebut presisi saya akan nilai prediksi positif (PPV). Dan apa yang Anda panggil ingat saya sebut sensitivitas (Sens). :
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
Dalam kasus sensitivitas (recall), jika penyebutnya nol (seperti yang ditunjukkan Amro), tidak ada kasus positif, sehingga klasifikasi tidak ada artinya. (Itu tidak berhenti baik TP atau FN menjadi nol, yang akan menghasilkan sensitivitas membatasi 1 atau 0. Poin ini masing-masing di sudut kanan atas dan kiri bawah kurva ROC - TPR = 1 dan TPR = 0. )
Batas PPV sangat berarti. Dimungkinkan untuk cut-off tes ditetapkan begitu tinggi (atau rendah) sehingga semua kasus diprediksi negatif. Ini adalah asal dari kurva ROC. Nilai pembatas dari PPV tepat sebelum cutoff mencapai titik asal dapat diperkirakan dengan mempertimbangkan segmen terakhir dari kurva ROC tepat sebelum titik asal. (Ini mungkin lebih baik untuk model karena kurva ROC terkenal berisik.)
Sebagai contoh jika ada 100 positif aktual dan 100 negatif aktual dan bagian akhir dari kurva ROC mendekati dari TPR = 0,08, FPR = 0,02, maka PPV pembatasnya adalah PPR ~ 0,08 * 100 / (0,08 * 100 + 0,02 * 100 ) = 8/10 = 0,8 yaitu 80% kemungkinan menjadi positif sejati.
Dalam praktiknya masing-masing sampel diwakili oleh segmen pada kurva ROC - horizontal untuk negatif aktual dan vertikal untuk positif aktual. Seseorang dapat memperkirakan PPV pembatas dengan segmen terakhir sebelum asal, tetapi itu akan memberikan perkiraan PPV pembatas 1, 0 atau 0,5, tergantung pada apakah sampel terakhir adalah benar positif, positif salah (negatif sebenarnya) atau dibuat dari TP dan FP yang sama. Pendekatan pemodelan akan lebih baik, mungkin dengan asumsi data adalah binormal - asumsi umum, misalnya:
http://mdm.sagepub.com/content/8/3/197.short