混淆矩阵的真负率公式

混淆矩阵是用于评估分类模型性能的一种工具，它将模型的预测结果与真实标签进行比较。混淆矩阵包含四个值：真正例（True Positive，TP）、真负例（True Negative，TN）、假正例（False Positive，FP）和假负例（False Negative，FN）。

真负率（True Negative Rate），也称为特异度（Specificity），是指在所有实际为负例的样本中，被正确预测为负例的比例它可以通过以下公式计算：
真负率 = TN / (TN + FP)

其中，TN表示真负例的数量，FP表示假正例的数量。

范例：根据提供的引用内容，我们无法直接找到混淆矩阵的真负率公式。但是，我们可以根据混淆矩阵的定义和真负率的定义来推导出真负率的计算公式。根据混淆矩阵的定义，真负率等于真负例的数量除以所有实际为负例的样本的总数。因此，真负率的计算公式为：

真负率 = TN / (TN + FP)

相关问题

混淆矩阵的准确率公式

混淆矩阵是用于评估分类模型性能的一种工具，它将模型的预测结果与真实结果进行比较。准确率是混淆矩阵中的一个指标，用于衡量模型的整体预测准确程度。

混淆矩阵的准确率公式如下：

准确率 = (真阳性 + 真阴性) / (真阳性 + 假阳性 + 真阴性 + 假阴性)

其中，真阳性表示模型正确预测为正样本的数量，真阴性表示模型正确预测为负样本的数量，假阳性表示模型错误预测为正样本的数量，假阴性表示模型错误预测为负样本的数量。

通过计算混淆矩阵的准确率，我们可以评估模型的整体预测准确程度，即模型正确预测的样本占总样本数的比例。

3） 根据混淆矩阵计算出真正率TPR、假负率、假正率FPR、真负率

根据混淆矩阵，我们可以计算出真正率（True Positive Rate，TPR）、假负率（False Negative Rate，FNR）、假正率（False Positive Rate，FPR）以及真负率（True Negative Rate，TNR），它们的计算公式如下：

- TPR = TP / (TP + FN)
- FNR = FN / (TP + FN)
- FPR = FP / (FP + TN)
- TNR = TN / (FP + TN)

其中，TP 表示真正例（True Positive）、FN 表示假反例（False Negative）、FP 表示假正例（False Positive）、TN 表示真反例（True Negative）。

示例代码如下：

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_verify, y_pred)
tp = cm[1, 1]
fn = cm[1, 0]
fp = cm[0, 1]
tn = cm[0, 0]

tpr = tp / (tp + fn)
fnr = fn / (tp + fn)
fpr = fp / (fp + tn)
tnr = tn / (fp + tn)

print("真正率TPR为：", tpr)
print("假负率FNR为：", fnr)
print("假正率FPR为：", fpr)
print("真负率TNR为：", tnr)

其中 y_verify 是验证集的真实标签，y_pred 是模型在验证集上的预测结果。输出结果为 TPR、FNR、FPR、TNR 的值。