sklearn 代码 计算灵敏度和特异度

在sklearn中，可以使用classification_report和confusion_matrix函数来计算分类模型的灵敏度和特异度。

首先，导入必要的库和数据：

from sklearn.metrics import classification_report, confusion_matrix
import numpy as np

# 生成随机数据
y_true = np.random.randint(0, 2, size=100)
y_pred = np.random.randint(0, 2, size=100)

然后，使用confusion_matrix函数计算混淆矩阵：

tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()

其中，tn表示真阴性（True Negative）、fp表示假阳性（False Positive）、fn表示假阴性（False Negative）、tp表示真阳性（True Positive）。

接着，计算灵敏度和特异度：

sensitivity = tp / (tp + fn)
specificity = tn / (tn + fp)

最后，使用classification_report函数生成分类报告，其中包括准确率、F1值、支持数、灵敏度和特异度等指标：

print(classification_report(y_true, y_pred))

输出结果类似于：

              precision    recall  f1-score   support

           0       0.52      0.54      0.53        48
           1       0.51      0.50      0.50        52

    accuracy                           0.51       100
   macro avg       0.51      0.52      0.51       100
weighted avg       0.51      0.51      0.51       100

其中，precision和recall分别表示精确率和召回率，f1-score为F1值，support为支持数。