灵敏度（Sensitivity, Sn）、特异性（Specificity, Sp）、准确率（Accuracy, Acc）、马修斯相关系数（MCC）和ROC曲线下的面积（AUC）代码

灵敏度（Sensitivity 或 Recall），又称为真阳性率，是指实际为正样本中被模型正确识别的比例，公式通常是 TP / (TP + FN)，其中TP表示真正例（True Positive），FN表示假阴性（False Negative）。特异性（Specificity）则是指预测为负样本中真实为负的比例，即 TN / (TN + FP)，TPR = Sensitivity，TNR = Specificity。

准确率（Accuracy）计算的是所有预测正确的样本数占总样本数的比例，即 (TP + TN) / (TP + TN + FP + FN)。然而，对于类别不平衡的数据集来说，准确率可能会误导，因为它没有考虑到错误分类的重要性。

马修斯相关系数（Matthews Correlation Coefficient, MCC）是一种用于评估二分类模型性能的统计量，它的值介于-1和1之间，正值代表较好的分类效果，0表示随机猜测，负值则表示较差。

ROC曲线（Receiver Operating Characteristic Curve）下的面积（Area Under the Curve, AUC）是一个常用的评价指标，它衡量了模型在所有阈值下，真正例率（TPR）与假正例率（FPR）之间的权衡。AUC值越接近1，模型性能越好；0.5表示随机猜测。

以下是使用Python的sklearn库计算这些指标的简单示例：

from sklearn.metrics import confusion_matrix, recall_score, precision_score, accuracy_score, matthews_corrcoef, roc_auc_score

# 假设y_true是真实的标签，y_pred是模型预测的结果
conf_mat = confusion_matrix(y_true, y_pred)
TP = conf_mat[1, 1]  # 真正例
FP = conf_mat[0, 1]  # 假正例
FN = conf_mat[1, 0]