敏感度_特异性_支持#

imblearn.metrics.sensitivity_specificity_support(y_true, y_pred, *, labels=None, pos_label=1, average=None, warn_for=('sensitivity', 'specificity'), sample_weight=None)[source]#

计算每个类别的灵敏度、特异性和支持度。

灵敏度是比率 tp / (tp + fn)，其中 tp 是真阳性的数量，fn 是假阴性的数量。灵敏度量化了避免假阴性的能力_[1]。

特异性是比率 tn / (tn + fp)，其中 tn 是真阴性的数量，fn 是假阴性的数量。特异性量化了避免假阳性_[1]的能力。

支持度是y_true中每个类别的出现次数。

如果 pos_label is None 并且在二分类中，如果 average 是 'weighted' 之一，此函数返回平均敏感性和特异性。

更多内容请参阅用户指南。

Parameters:
y_truearray-like of shape (n_samples,)

真实（正确）目标值。

y_predarray-like of shape (n_samples,)

分类器返回的估计目标。

labelsarray-like, default=None

当 average != 'binary' 时要包含的标签集，以及如果 average is None 时的顺序。数据中存在的标签可以被排除，例如在计算多类平均值时忽略多数负类，而数据中不存在的标签将在宏平均值中导致0分量。对于多标签目标，标签是列索引。默认情况下，y_true 和 y_pred 中的所有标签按排序顺序使用。

pos_labelstr, int or None, default=1

如果average='binary'且数据是二元的，则报告该类。 如果pos_label is None并且在二元分类中，如果average 是'weighted'之一，则此函数返回平均敏感性和特异性。 如果数据是多类的，则此设置将被忽略； 设置labels=[pos_label]和average != 'binary'将仅报告该标签的分数。

averagestr, default=None

如果 None，则返回每个类的分数。否则，这将决定对数据执行的平均类型：

'binary':

仅报告由pos_label指定的类别结果。 这仅在目标（y_{true,pred}）为二元时适用。

'micro':

通过计算总的真正例、假反例和假正例来全局计算指标。

'macro':

计算每个标签的指标，并找到它们的未加权平均值。这不考虑标签不平衡的情况。

'weighted':

计算每个标签的指标，并根据支持度（每个标签的真实实例数量）找到它们的加权平均值。这改变了“宏”以考虑标签不平衡；它可能导致F分数不在精确度和召回率之间。

'samples':

计算每个实例的指标，并找到它们的平均值（仅对多标签分类有意义，这与accuracy_score不同）。

warn_fortuple or set of {{“sensitivity”, “specificity”}}, for internal use

这决定了在使用此函数仅返回其一个指标的情况下将发出哪些警告。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

Returns:
sensitivityfloat (if average is None) or ndarray of shape (n_unique_labels,)

敏感性指标。

specificityfloat (if average is None) or ndarray of shape (n_unique_labels,)

特异性指标。

supportint (if average is None) or ndarray of shape (n_unique_labels,)

y_true 中每个标签的出现次数。

参考文献

示例

>>> import numpy as np
>>> from imblearn.metrics import sensitivity_specificity_support
>>> y_true = np.array(['cat', 'dog', 'pig', 'cat', 'dog', 'pig'])
>>> y_pred = np.array(['cat', 'pig', 'dog', 'cat', 'cat', 'dog'])
>>> sensitivity_specificity_support(y_true, y_pred, average='macro')
(0.33..., 0.66..., None)
>>> sensitivity_specificity_support(y_true, y_pred, average='micro')
(0.33..., 0.66..., None)
>>> sensitivity_specificity_support(y_true, y_pred, average='weighted')
(0.33..., 0.66..., None)