如何从 sklearn gridsearchcv 获取敏感性和特异性（真阳性率和真阴性率）？答案

【问题标题】：How to acquire sensitivity and specificty(true positive rate and true negative rate) from sklearn's gridsearchcv?如何从 sklearn gridsearchcv 获取敏感性和特异性（真阳性率和真阴性率）？
【发布时间】：2016-07-14 22:09:10
【问题描述】：

我一直在使用带有 RBF SVM（二元分类器）的 Gridsearchcv 来获得验证准确度热图。我使用的代码几乎直接来自 SKlearn 的网站。有没有办法从中找到敏感性和特异性？至于Gridsearchcv使用的参数值的范围？

【问题讨论】：

标签： python machine-learning scikit-learn svm grid-search

【解决方案1】：

如果您的问题是二分类或多分类，那么 confusion matrix 可能就是您要找的。p>

from sklearn.metrics import confusion_matrix

y_true = [2, 0, 2, 2, 0, 1]
y_pred = [0, 0, 2, 2, 0, 2]
confusion_matrix(y_true, y_pred)

array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

解释如下：

对于属于第 0 类的示例，estimator 预测其中的 100% 正确 (2/2)。
对于属于第 1 类的示例，估计器 100% 错误，因为它预测了第 2 类的唯一示例。
对于属于 2 类的示例，估计器的正确率为 66% (2/3)，因为它预测 2 个示例属于 2 类，1 个示例属于 0 类。

对于二元分类：

y_true = [1, 0, 1, 0, 0, 1]
y_pred = [1, 0, 1, 1, 0, 1]

cm = confusion_matrix(y_true, y_pred)
print cm

tp = float(cm[0][0])/np.sum(cm[0])
tn = float(cm[1][1])/np.sum(cm[1])

print tp
print tn

[[2 1]
 [0 3]]
0.666666666667
1.0

关于您的GridSearchCV中使用的参数，您可以在grid_scores_属性中找到它们。

【讨论】：