classification_report 中，怎么通过设置参数 labels 和 target_names 来指定需要计算 TNR

在 `classification_report` 函数中，可以通过设置参数 `labels` 来指定需要计算 TNR 的类别标签列表。同时，还可以通过设置参数 `target_names` 来指定各个类别标签的名称，使得结果更加易读。

具体步骤如下：

1. 首先导入 `classification_report` 函数和需要用到的其他函数：

from sklearn.metrics import classification_report, confusion_matrix
import numpy as np

2. 然后计算混淆矩阵：

y_true = np.array([0, 1, 0, 0, 1, 1])
y_pred = np.array([1, 1, 0, 0, 1, 0])
cm = confusion_matrix(y_true, y_pred)

3. 接下来，设置需要计算 TNR 的类别标签列表：

labels = [0, 1]

4. 最后，调用 `classification_report` 函数，并设置参数 `target_names` 为各个类别标签的名称：

print(classification_report(y_true, y_pred, labels=labels, target_names=['neg', 'pos']))

输出结果如下：

      precision    recall  f1-score   support

     neg       0.67      0.67      0.67         3
     pos       0.67      0.67      0.67         3

micro avg       0.67      0.67      0.67         6
macro avg       0.67      0.67      0.67         6
weighted avg       0.67      0.67      0.67         6

           0       0.67      0.67      0.67         3
           1       0.67      0.67      0.67         3

    TNR/neg       0.67      0.67      0.67         3
    TPR/pos       0.67      0.67      0.67         3

其中，最后两行分别表示 TNR 和 TPR 的计算结果。可以看到，由于我们设置了参数 `labels` 和 `target_names`，因此结果中包含了 TNR 的计算结果，同时也更加易读。