Specificity混淆矩阵 python 代码

以下是计算混淆矩阵和特异度的Python代码示例：

from sklearn.metrics import confusion_matrix

# 模型预测结果
y_pred = [1, 0, 1, 1, 0, 1, 0, 1, 1, 0]

# 真实标签
y_true = [1, 1, 1, 1, 0, 0, 0, 1, 1, 0]

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

# 计算特异度
specificity = tn / (tn + fp)

print("混淆矩阵：")
print(confusion_matrix(y_true, y_pred))
print("特异度：", specificity)

输出结果为：

混淆矩阵：
[[2 1]
 [1 6]]
特异度： 0.6666666666666666

其中，特异度的计算公式为：

特异度 = TN / (TN + FP)

其中，TN 表示真反例数，FP 表示假正例数。

相关问题

敏感性(Sensitivity)、特异性(Specificity) python 代码

在 Python 中，可以使用混淆矩阵（confusion matrix）来计算敏感性和特异性。

下面是一个简单的 Python 代码示例，用于计算二分类问题中的敏感性和特异性：

import numpy as np

def calculate_sensitivity_specificity(y_true, y_pred):
    # 计算混淆矩阵
    conf_matrix = np.zeros((2, 2))
    for i in range(len(y_true)):
        true_idx = int(y_true[i])
        pred_idx = int(y_pred[i])
        conf_matrix[true_idx][pred_idx] += 1

    # 计算敏感性和特异性
    sensitivity = conf_matrix[1][1] / (conf_matrix[1][1] + conf_matrix[1][0])
    specificity = conf_matrix[0][0] / (conf_matrix[0][0] + conf_matrix[0][1])

    return sensitivity, specificity

其中，`y_true` 是真实标签，`y_pred` 是预测标签。函数首先计算混淆矩阵，然后使用混淆矩阵计算敏感性和特异性。

需要注意的是，这里的代码假设二分类问题中正类标签为 1，负类标签为 0。如果标签不是这样定义的，需要相应地修改代码。

使用jupyter notebook对数据集CIFAR10进行分类，把数据分割为训练集和测试集，比例为2:8。搭建全连接网络和卷积神经网络CNN，分别得到两种网络的预测结果的混淆矩阵，及灵敏性（Sensitivity），特异性（Specificity），对两个网络进行对比。

在使用Jupyter Notebook对CIFAR-10数据集进行分类时，首先需要导入必要的库，如NumPy、Matplotlib和TensorFlow或Keras。然后可以加载CIFAR-10数据集，该数据集通常会自带测试集和训练集的划分，但这里我们需要按照2:8的比例重新划分。

以下是使用Python代码在Jupyter Notebook中进行操作的概述步骤：

1. 导入库和加载数据集：

import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import cifar10
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, classification_report
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten

# 加载CIFAR-10数据集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# 按照2:8的比例划分训练集和测试集
x_train, x_val, y_train, y_val = train_test_split(x_train, y_train, test_size=0.8, random_state=42)

2. 构建全连接网络（DNN）和卷积神经网络（CNN）模型：

- 全连接网络模型示例：

def build_dnn_model(input_shape):
    model = Sequential()
    model.add(Flatten(input_shape=input_shape))
    model.add(Dense(256, activation='relu'))
    model.add(Dense(128, activation='relu'))
    model.add(Dense(10, activation='softmax'))
    return model

dnn_model = build_dnn_model(x_train.shape[1:])

- 卷积神经网络模型示例：

def build_cnn_model(input_shape):
    model = Sequential()
    model.add(Conv2D(32, (3, 3), padding='same', activation='relu', input_shape=input_shape))
    model.add(Conv2D(32, (3, 3), activation='relu'))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(10, activation='softmax'))
    return model

cnn_model = build_cnn_model(x_train.shape[1:])

3. 编译和训练模型：

# 编译模型，指定优化器、损失函数和评价指标
dnn_model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
cnn_model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 训练模型
dnn_model.fit(x_train, y_train, batch_size=64, epochs=10, validation_data=(x_val, y_val))
cnn_model.fit(x_train, y_train, batch_size=64, epochs=10, validation_data=(x_val, y_val))

4. 评估模型并生成混淆矩阵以及灵敏性、特异性：

# 对测试集进行预测
dnn_predictions = dnn_model.predict(x_test)
cnn_predictions = cnn_model.predict(x_test)

# 将预测结果转换为类别标签
dnn_pred_labels = np.argmax(dnn_predictions, axis=1)
cnn_pred_labels = np.argmax(cnn_predictions, axis=1)
y_test_labels = np.argmax(y_test, axis=1)

# 生成混淆矩阵
dnn_cm = confusion_matrix(y_test_labels, dnn_pred_labels)
cnn_cm = confusion_matrix(y_test_labels, cnn_pred_labels)

# 计算灵敏性（Sensitivity）和特异性（Specificity）
dnn_report = classification_report(y_test_labels, dnn_pred_labels, output_dict=True)
cnn_report = classification_report(y_test_labels, cnn_pred_labels, output_dict=True)

# 输出评价指标
dnn_sensitivity = dnn_report['macro avg']['recall']
dnn_specificity = 1 - np.mean([1 - dnn_report[str(i)]['precision'] for i in range(10)])
cnn_sensitivity = cnn_report['macro avg']['recall']
cnn_specificity = 1 - np.mean([1 - cnn_report[str(i)]['precision'] for i in range(10)])

5. 对比两个网络的性能：
通过比较两个模型的准确率、混淆矩阵、灵敏性和特异性，可以对全连接网络和卷积神经网络进行对比分析。