classification_report 增加TNR计算

TNR (True Negative Rate) 也称为 specificity，表示实际为负样本中，被正确判断为负样本的比例。计算公式为：

TNR = TN / (TN + FP)

其中，TN 表示真实为负样本且被正确判断为负样本的数量，FP 表示真实为正样本但被错误判断为负样本的数量。

在 classification_report 中，可以通过设置参数 labels 和 target_names 来指定需要计算 TNR 的类别，然后在输出结果中增加 TNR 的值。

例如，如果需要计算类别为 0 和 1 的 TNR，可以设置 labels=[0,1]，target_names=['class0','class1']，然后在输出结果中增加 TNR 的值，如下所示：

from sklearn.metrics import classification_report

y_true = [0, 1, 0, 1, 0, 0, 1, 1]
y_pred = [0, 1, 0, 0, 0, 0, 1, 0]
target_names = ['class0', 'class1']

# 计算 TNR
tnr = []
for label in [0, 1]:
    tn = 0
    fp = 0
    for i in range(len(y_true)):
        if y_true[i] == label and y_pred[i] == label:
            tn += 1
        elif y_true[i] != label and y_pred[i] == label:
            fp += 1
    tnr.append(tn / (tn + fp))

# 输出结果
print(classification_report(y_true, y_pred, labels=[0, 1], target_names=target_names, digits=4, zero_division=0))
print('TNR(class0):', tnr[0])
print('TNR(class1):', tnr[1])

输出结果为：

              precision    recall  f1-score   support

      class0     0.6667    1.0000    0.8000         4
      class1     1.0000    0.5000    0.6667         4

    accuracy                         0.7500         8
   macro avg     0.8333    0.7500    0.7333         8
weighted avg     0.8333    0.7500    0.7333         8

TNR(class0): 1.0
TNR(class1): 0.6666666666666666