Sensitivity混淆矩阵 python 代码

以下是计算混淆矩阵和灵敏度（召回率）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()

# 计算灵敏度（召回率）
sensitivity = tp / (tp + fn)

print("混淆矩阵：")
print(confusion_matrix(y_true, y_pred))
print("灵敏度（召回率）：", sensitivity)

输出结果为:

混淆矩阵：
[[2 1]
 [1 6]]
灵敏度（召回率）： 0.8571428571428571

其中，混淆矩阵的格式为：

[[TN  FP]
 [FN  TP]]

其中，TN 表示真反例数，FP 表示假正例数，FN 表示假反例数，TP 表示真正例数。

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。

python 机器学习计算sensitivity和specificity

在机器学习中，我们通常使用混淆矩阵 (confusion matrix) 来计算模型的性能，混淆矩阵是一个 2x2 的矩阵，行表示真实类别，列表示预测类别，其中每个元素表示对应类别的样本数，例如：

| | 预测为正例 | 预测为反例 |
|----------|------------|------------|
| 真实为正例 | TP | FN |
| 真实为反例 | FP | TN |

根据混淆矩阵，可以计算出 sensitivity 和 specificity，代码如下：

from sklearn.metrics import confusion_matrix

def cal_sensitivity_specificity(y_true, y_pred):
    cm = confusion_matrix(y_true, y_pred)
    TN, FP, FN, TP = cm.ravel()
    sensitivity = TP / (TP + FN)
    specificity = TN / (TN + FP)
    return sensitivity, specificity

其中，`y_true` 是真实类别，`y_pred` 是预测类别，可以是 0 或 1 的数组或列表。我们使用 scikit-learn 库的 `confusion_matrix` 函数计算混淆矩阵，然后从中提取出 TP、TN、FP、FN，最后计算出 sensitivity 和 specificity。