Python 如何从sklearn'获得敏感性和特异性（真阳性率和真阴性率）；你的简历是什么？
我一直在使用Gridsearchcv和RBF SVM（二进制分类器）来获得验证精度热图。我使用的代码几乎直接来自SKlearn的网站。有没有办法从中找到敏感性和特异性？与Gridsearchcv使用的参数值范围一样？如果您的问题是二进制或多类分类，那么可能就是您要查找的Python 如何从sklearn'获得敏感性和特异性（真阳性率和真阴性率）；你的简历是什么？,python,machine-learning,scikit-learn,svm,grid-search,Python,Machine Learning,Scikit Learn,Svm,Grid Search,我一直在使用Gridsearchcv和RBF SVM（二进制分类器）来获得验证精度热图。我使用的代码几乎直接来自SKlearn的网站。有没有办法从中找到敏感性和特异性？与Gridsearchcv使用的参数值范围一样？如果您的问题是二进制或多类分类，那么可能就是您要查找的 from sklearn.metrics import confusion_matrix y_true = [2, 0, 2, 2, 0, 1] y_pred = [0, 0, 2, 2, 0, 2] confusion_ma
from sklearn.metrics import confusion_matrix
y_true = [2, 0, 2, 2, 0, 1]
y_pred = [0, 0, 2, 2, 0, 2]
confusion_matrix(y_true, y_pred)
array([[2, 0, 0],
[0, 0, 1],
[1, 0, 2]])
对于属于第1类的例子，估计值是100%错误的，因为它预测了第2类的唯一例子。
对于属于类别2的示例，估计值的正确率为66%（2/3），因为它预测类别2有2个示例，类别0有1个示例 对于二进制分类：
y_true = [1, 0, 1, 0, 0, 1]
y_pred = [1, 0, 1, 1, 0, 1]
cm = confusion_matrix(y_true, y_pred)
print cm
tp = float(cm[0][0])/np.sum(cm[0])
tn = float(cm[1][1])/np.sum(cm[1])
print tp
print tn
[[2 1]
[0 3]]
0.666666666667
1.0