False discovery rate发现错误率数据分析中常碰见多重检验问题(multiple testing).Benjamini于1995年提出一种方法,通过控制FDR(False Discovery Rate)来决定P值的域值. 假设你挑选了R个差异表达的基因，其中有S个是真正有差异表达的，另外有V个其实是没有差异表达的，是假阳性的.实践中希望错误比例Q＝V/R平均而言不能超过某个预先设定的值（比如0.05），在统计学上，这也就等价于控制FDR不能超过5％.
这是一种统计的方法，是统计学上的一种函数，是多重检验中的FDR错误控制方法。一般的步骤可以为：根据Benjamini在他的文章中所证明的定理，控制fdr的步骤实际上非常简单。设总共有m个候选基因，每个基因对应的p值从小到大排列分别是p(1),p(2),...,p(m),则若想控制fdr不能超过q，则只需找到最大的正整数i，使得 p(i)<= (i*q)/m.然后，挑选对应p(1),p(2),...,p(i)的基因做为差异表达基因，这样就能从统计学上保证fdr不超过q。
首先漏检是指在检出的合格品中有不合格品，将不合格品判定为合格品；漏检率就是合格品中的不合品数除以抽检产品数量中的不合格总数；
还有一个错检是指检出的不合格品中有合格品，错检率就是不合格品中合格品数除以抽检产品数量中的合格总数；
错检和漏检统称误检；
例如抽检N件产品，检验员判定结果为d件不合格；但判定合格品中有b件是不合格品，判定不合格品中有K件合格品；
实际合格品总数为N-d-b+k,不合格品数为d+b-k,
则漏检率为b/（d+b-k）;错检率为k/(N-d-b+k)
查全率：30/50=0.6查准率：30/60=0.5误检率：30/60=0.5漏检率：20/50=0.4在信息检索、统计分类、识别、预测、翻译等领域，两个最基本指标是准确率和召回率，用来评价结果的质量。准确率（Precision），又称“精度”、“正确率”、“查准率”，表示在检索到的所有文档中，检索到的相关文档所占的比例。扩展资料：查全率和查准率之间具有互逆的关系，一个IR 系统可以在它们之间进行折中。在极端情况下,一个将文档集合中所有文档返回为结果集合的系统有100 %的查全率,但是查准率却很低。另一方面,如果一个系统只能返回唯一的文档,会有很低的查全率，但却可能有100 %的查准率。通常以查全率和查准率为指标来测定IR系统的有效性时，总是假定查全率为一个适当的值,然后按查准率的高低来衡量系统的有效性。参考资料来源：百度百科-查全率与查准率
a false alarm
英[ei fɔːls əˈlɑ:m]美[e fɔːls əˈlɑrm]
词典
一场虚惊
虚惊一场; 杯弓蛇影; 虚惊
He was the victim of a false alarm.
他受了一场虚惊。
Just a false alarm probably, I told myself.
应该是虚惊一场吧，我内心暗忖。
The sky went very dark and we thought it was going to rain but it was a false alarm.
天空变得黑沉沉的，我们以为要下雨了，但结果只是虚惊一场。
I already told you it was a false alarm.
我已经告诉你是误警了。
公式中的false是表示精确匹配的意思。比如在excel中 =vlookup($bf$5,明细表!$a:$z,4,false)用当前工作表的bf5单元格的值，在明细表的A列找。找到就返回数值所在行对应的D列值（第4列）。公式中的false是表示精确匹配的意思。扩展资料：Excel：主条目：Microsoft ExcelMicrosoft Excel是电子试算表程序（进行数字和预算运算的软件程序），与Microsoft Word一样，它在市场拥有统治份额。它最初对占优势的Lotus 1-2-3是个竞争者，但最后它卖得比它多、快，于是它成为了实际标准。它适宜Windows和Macintosh平台。它的主要竞争者是OpenOffice.org Calc、AppleNumbers和CorelQuattro Pro。参考资料：Microsoft Office Excel-百度百科
TP —— True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率TN —— True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率FP ——False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率FN——False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） TPR = TP /（TP + FN） 正样本预测结果数 / 正样本实际数True Negative Rate（真负率 , TNR）或特指度（specificity） TNR = TN /（TN + FP） 负样本预测结果数 / 负样本实际数False Positive Rate （假正率, FPR） FPR = FP /（FP + TN） 被预测为正的负样本结果数 /负样本实际数False Negative Rate（假负率 , FNR） FNR = FN /（TP + FN） 被预测为负的正样本结果数 / 正样本实际数
