在 sklearn 中使用 cross_val_score 生成负预测值以进行模型性能评估答案

【问题标题】：Generate negative predictive value using cross_val_score in sklearn for model performance evaluation在 sklearn 中使用 cross_val_score 生成负预测值以进行模型性能评估
【发布时间】：2019-09-01 12:03:02
【问题描述】：

作为评估模型指标的一部分，我想在 sklearn 中使用 cross_val_score 来为模型生成负预测值。

在下面的示例中，我在 cross_val_score 中设置了“评分”参数，以计算并打印模型阳性预测值的“精度”（10 倍交叉验证的平均值和标准偏差）：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
log=LogisticRegression()    
log_prec = cross_val_score(log, x, y, cv=10, scoring='precision')
print("PPV(mean, std): ", np.round(log_prec.mean(), 2), np.round(log_prec.std(), 2))

如何使用类似上述代码行的内容从 cross_val_score 方法中生成负预测值/NPV（预测的负为真负的可能性）？

sklearn 提供了许多评分选项（例如：roc_auc、recall、accuracy、F1 等），但不幸的是 NPV 没有...

【问题讨论】：

你有二分类问题吗？如果是这样，为什么不反转标签定义？然后 PPV 将对应于您原始问题中的 NPV。
这是一个聪明的解决方法，确实很有帮助！请将此作为您的答案，我会接受。

标签： python scikit-learn cross-validation metrics

【解决方案1】：

对于二元分类问题，您可以反转标签定义。然后 PPV 将对应于您原始问题中的 NPV

【讨论】：