多分类任务中特异度计算代码

在多分类任务中，特异性（Specificity）通常用于评估模型预测的准确性，特别是当我们关注的是避免将负样本误判为正样本的能力时。特异性计算公式是：

\[ Specificity = \frac{True Negative}{True Negative + False Positive}\]

其中：
- True Negative (真阴性) 表示实际为负类（比如非疾病、非异常等）而被模型预测为负类的情况。
- False Positive (假阳性) 表示实际为负类却被模型错误预测为正类。

以下是一个简单的Python代码示例，假设我们有预测结果（y_pred）和真实标签（y_true），可以计算每个类别的特异性：

import numpy as np

# 假设y_pred是模型预测的概率数组，y_true是对应的真实标签（0表示负类，1表示正类）
y_pred = np.array([...]) # 预测概率
y_true = np.array([...]) # 真实标签

# 将标签转换为二进制形式（0 或 1）
y_pred_binary = np.argmax(y_pred, axis=1)
y_true_binary = y_true.astype(int)

# 计算特异性
specificities = []
for class_idx in range(np.unique(y_true).shape[0]):
    true_negatives = np.sum((y_true_binary == class_idx) & (y_pred_binary != class_idx))
    false_positives = np.sum((y_true_binary != class_idx) & (y_pred_binary == class_idx))
    if false_positives > 0:  # 防止除数为零
        specificity = true_negatives / (true_negatives + false_positives)
        specificities.append(specificity)
    else:
        specificities.append(0)  # 如果不存在假阳性的例子，特异性为0

# 整理成字典或数据结构，便于查看各类别特异性
specificity_dict = {f"class_{i}": specificity for i, specificity in enumerate(specificities)}