specificity_score#

imblearn.metrics.specificity_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None)[source]#

计算特异性。

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

最佳值为1，最差值为0。

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大多数负类，而数据中不存在的标签将在宏平均值中导致0个组件。

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）。

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

样本权重。

Returns:

specificityfloat (if average is None) or ndarray of shape (n_unique_labels,): 特异性指标。

示例

>>> import numpy as np
>>> from imblearn.metrics import specificity_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> specificity_score(y_true, y_pred, average='macro')
0.66...
>>> specificity_score(y_true, y_pred, average='micro')
0.66...
>>> specificity_score(y_true, y_pred, average='weighted')
0.66...
>>> specificity_score(y_true, y_pred, average=None)
array([0.75, 0.5 , 0.75])

specificity_score#

本页面