machine-learning - 使用交叉验证计算特异性

Question

我想使用交叉验证来计算特异性。我找到了计算准确性的代码，实际上是 f1 分数和精度。但我找不到特异性。例如，f1-score 的代码如下：

cross_val_score(SVC, X, y, scoring="f1", cv = 7)

或精确度就像：

cross_val_score(SVC, X, y, scoring="precision", cv = 7)

Answer 1

特异性基本上是真阴性率，它与真阳性率（召回）相同，但对于负类

如果您有二进制类，则应执行以下操作

• recall_score从metrics（详细信息here ）导入指标，并make_scorer运行

  from sklearn.metrics import recall_score
  from sklearn.metrics import make_scorer
  

• 然后你生成你的新记分器，定义你正在计算哪个类的召回（默认情况下，召回是在标签=1上计算的）

  specificity = make_scorer(recall_score, pos_label=0)
  

标签 0 通常是二元问题中的负类。

print(cross_val_score(classifier, X_train, y_train, cv=10, specificity))

如果你想要召回（真阳性率）你可以做同样的改变类

sensitivity = make_scorer(recall_score, pos_label=1)
print(cross_val_score(classifier, X_train, y_train, cv=10, sensitivity))

无论如何，如果您需要更复杂的东西，您可以制作自定义记分器

make_scorer