Statistics 哪种方法最适合计算不相关数据集的马修斯相关系数（MCC）值？

哪种方法最适合计算不相关数据集的马修斯相关系数（MCC）值？

我不确定这里的“最佳方法”是什么意思，但给出了一个例子，计算应该很简单。在Python中：

导入数学
#tp为真阳性，fn为假阴性，等等
mcc=（tp*tn-fp*fn）/数学sqrt（（tp+fp）*（tp+fn）*（tn+fp）*（tn+fn））
<>代码> 
以前的答案是正确的，但是在你的公式中，你可能也想考虑分母中的四和中的任何一个是零的情况；在这种情况下，分母可以任意设置为1
为了完整起见，我在下面添加了R代码（可以找到原始代码）

mcc
mcc <- function (actual, predicted)
{
  # handles zero denominator and verflow error on large-ish products in denominator.
  #
  # actual = vector of true outcomes, 1 = Positive, 0 = Negative
  # predicted = vector of predicted outcomes, 1 = Positive, 0 = Negative
  # function returns MCC

  TP <- sum(actual == 1 & predicted == 1)
  TN <- sum(actual == 0 & predicted == 0)
  FP <- sum(actual == 0 & predicted == 1)
  FN <- sum(actual == 1 & predicted == 0)

  sum1 <- TP+FP; sum2 <-TP+FN ; sum3 <-TN+FP ; sum4 <- TN+FN;
  denom <- as.double(sum1)*sum2*sum3*sum4 # as.double to avoid overflow error on large products

  if (any(sum1==0, sum2==0, sum3==0, sum4==0)) {
    denom <- 1
  }

  mcc <- ((TP*TN)-(FP*FN)) / sqrt(denom)
  return(mcc)
}