机器学习FP、TP、FN、TN、sensitivity、specificity及代码实现

目录

一、概念整理

二、应用指标

三、代码实现

---

一、概念整理

第一个字母T/F代表预测结果y_pred是否和实际情况y_test相符

第二个字母P/N代表预测结果的正负

• TP：true positive，被判定为正样本，实际上也是正样本
• TN：true negative，被判定为负样本，实际上也是负样本
• FP：false positive，被判定为正样本，实际上是负样本
• FN：false negative，被判定为负样本，实际上是正样本

二、应用指标

三、代码实现

confusion_matrix = confusion_matrix(y_test, y_pred)

[返回值]： ndarray of shape (n_classes, n_classes)

Confusion matrix whose i-th row and j-th column entry indicates the number of samples with true label being i-th class and predicted label being j-th class. 

例如：confution_matrix = array([[28,  7],
                                [ 3, 23]])

其中：n_classes = 2，class=0为负样本N，class=1为正样本P

• 28 -> 真值为0，预测为0 的样本数量 -> TN
• 7  ->  真值为0，预测为1 的样本数量 -> FP
• 3  ->  真值为1，预测为0 的样本数量 -> FN
• 23 -> 真值为1，预测为1 的样本数量 -> TP

confusion_matrix = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0])
# confusion_matrix = [[0 2],
#                     [1 1]]
tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
# (tn, fp, fn, tp) = (0,2,1,1)


sensitivity = confusion_matrix[1,1]/(confusion_matrix[1,1]+confusion_matrix[1,0])
print('Sensitivity : ', sensitivity )

specificity = confusion_matrix[0,0]/(confusion_matrix[0,0]+confusion_matrix[0,1])
print('Specificity : ', specificity)