Machine learning 使用交叉验证计算特异性

我想使用交叉验证来计算特异性。我找到了计算准确度、f1分数和精度的代码。但我找不到具体的原因。 例如，f1分数的代码如下所示：

cross_val_score(SVC, X, y, scoring="f1", cv = 7)

或者，对于精度，如下所示：

cross_val_score(SVC, X, y, scoring="precision", cv = 7)

---

特异性基本上是真阴性率，与真阳性率（召回率）相同，但适用于阴性类别

如果您有一个二进制类，您应该执行以下操作

• 从

  metrics

  （详细信息）和

  make\u scorer

  功能导入度量

  recall\u score

  from sklearn.metrics import recall_score
  from sklearn.metrics import make_scorer
  

• 然后生成新的记分器，定义要计算召回率的类（默认情况下，召回率在标签=1上计算）

标签0通常是二进制问题中的负类

print(cross_val_score(classifier, X_train, y_train, cv=10, specificity))

如果你想要召回率（真阳性率），你也可以改变课程

sensitivity = make_scorer(recall_score, pos_label=1)
print(cross_val_score(classifier, X_train, y_train, cv=10, sensitivity))

无论如何，如果你需要更复杂的东西，你可以制作你的自定义记分器

,，

sensitivity = make_scorer(recall_score, pos_label=1)
print(cross_val_score(classifier, X_train, y_train, cv=10, sensitivity))