python计算灵敏度和特异度

在机器学习中，灵敏度（Sensitivity）和特异度（Specificity）是常用的评价指标，用于衡量模型的性能。灵敏度衡量的是模型对正例样本的识别能力，而特异度则衡量模型对负例样本的识别能力。

下面是 Python 中计算灵敏度和特异度的示例代码：

# 导入必要的库
import numpy as np
from sklearn.metrics import confusion_matrix

# 定义真实值和预测值
y_true = np.array([1, 1, 0, 1, 0, 0, 1, 0, 0, 1])
y_pred = np.array([1, 1, 0, 0, 1, 0, 1, 0, 1, 1])

# 计算混淆矩阵
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()

# 计算灵敏度和特异度
sensitivity = tp / (tp + fn)
specificity = tn / (tn + fp)

print("Sensitivity:", sensitivity)
print("Specificity:", specificity)

在上述示例代码中，首先我们导入了必要的库，然后定义了真实值和预测值。接着，我们使用 `confusion_matrix()` 函数计算混淆矩阵，并使用 `.ravel()` 方法将其展开为四个变量：真反例（True Negative，tn）、假正例（False Positive，fp）、假反例（False Negative，fn）和真正例（True Positive，tp）。

最后，我们使用上述变量计算灵敏度和特异度，并将其打印输出。