Python tf.keras.metrics.SpecificityAtensitivity num_阈值解释

我正试着清醒过来。我对敏感度和特异性的概念很满意，但我不确定这两个概念在这个单一指标中是如何关联的

更具体地说，我不确定如何解释

num\u thresholds

参数。文档中的示例具有

num\u thresholds=1

。使用相同的输入数据将

num_阈值设置为大于1似乎总是返回1.0的度量值

def打印度量值（num\u阈值）：
#基于文档示例的其他值
m=tf.keras.metrics.sensitivityatspecification(
0.4，num_阈值=num_阈值）
m、 更新_状态（[0,0,1,1]，[0,0.5,0.3,0.9]）
打印（'num_阈值为%d的结果：%.1f'%
（num_阈值，m.result（）.numpy（））
打印度量值（1）#0.5-与文档相同
打印度量值（2）#1.0
打印度量值（200）#1.0
数值阈值是指阈值的数量。但你可能会问：什么是门槛（在这种情况下）？答案是阈值，在[0,1]范围内，实际上是一个值，所有大于该值的预测将被视为正值（即1），所有低于该值的预测将被视为负值（即0）

例如，考虑预测向量为<代码>（0，0.5，0.3，0.9）< /代码>，它们实际上是信心分数（例如概率）。现在如果我们应用阈值
0.1
，我们得到
[0,1,1,1]
；或者，如果我们应用阈值
0.6
，我们得到
[0,0,0,1]
（即，只有最后预测的置信度高于
0.6
）

现在假设您希望以固定的灵敏度监控特异性的变化。
sensitivityatspecification
metric的作用是，为了计算灵敏度的值，它首先计算不同阈值的特异性，然后选择与您提供的特异性值最接近的阈值（例如，在你的问题中，你给出了
0.4
作为特异性值）。然后在该阈值处计算灵敏度，并将其作为该指标的值返回。同样的情况也适用于
SpecificityAtSensitivity
指标，只需在本段中交换“特异性”和“敏感性”

您可能还会问：阈值是什么？答案是如果
num\u thresholds=1
那么唯一的阈值是0.5。如果
num\u thresholds>1
那么，除了0和1作为阈值外，间隔（0,1）将拆分为
num_thresholds-1
等子间隔，并选择拆分点作为附加阈值。例如：

num_threshold  |  thresholds
=============================
1              | [0.5]
2              | [0, 1]
3              | [0, 0.5, 1]
4              | [0, 0.33, 0.66, 1]
5              | [0, 0.25, 0.5, 0.75, 1]
...

相关：这正是我想要的答案。结果表明，我的数据导致了模糊的阈值-在（0，0.5）中的任何内容都给出了0.5的特异性（最接近0.4的可能值），但灵敏度值在0.3时发生了显著变化。最后一个问题：我得出的
SpecitivityAtSensitivity（任何内容，num_thresholds=1）的结论是否正确
相当于
特异性（0.5）
？@DomJack抱歉，我不明白你所说的
特异性（0.5）
（我在TF中找不到这样的指标！）。特异性敏感度（任意值，num\u阈值=1）

相当于在阈值0.5处返回特异性值，因为这是我们考虑的唯一阈值。我只是假设它存在，猜测不是：）。再次感谢。