[PYTHON] J'ai essayé d'implémenter une méthode pour calculer l'indice d'évaluation (spécificité, NPV) que scikit-learn n'a pas

introduction

Lorsque j'ai essayé de calculer l'indice décrit dans un certain article avec scicit-learn, il y avait une méthode pour calculer la sensibilité et le rappel indépendamment, mais classification_report est généré à la fois pour la spécicité et la VAN. Cependant, comme il n'y avait pas de méthode pour calculer indépendamment, j'ai essayé de l'implémenter.

Méthode de calcul

Regardez ici, haut. https://en.wikipedia.org/wiki/Sensitivity_and_specificity

La relation entre les termes ressemble à ceci. Pas besoin de mémoriser.

• PPV = precision
• TPR = sensitivity = recall
• TNR = specificity --NPV = Pas d'autre nom

La source

Calculez en utilisant la matrice de confusion.

from sklearn import metrics

def calc_metrics_derived_from_confusion_matrix(metrics_name, y_true, y_predict):
    tn, fp, fn, tp = metrics.confusion_matrix(y_true, y_predict).ravel()
    #  PPV, precision
    #  TP / TP + FP
    if metrics_name in ["PPV", "precision"]:
        return tp / (tp + fp)

    #  NPV
    #  TN / TN + FN
    if metrics_name in ["NPV"]:
        return tn / (tn + fn)

    # sensitivity, recall, TPR
    #  TP / TP + FN
    if metrics_name in ["sensitivity", "recall", "TPR"]:
        return tp / (tp + fn)

    # specificity
    #  TN / TN + FP
    if metrics_name in ["specificity"]:
        return tn / (tn + fp)

Comment utiliser

Comme ça.

calc_metrics_derived_from_confusion_matrix("sensitivity",[0,0,1], [1,0,1])
calc_metrics_derived_from_confusion_matrix("PPV",[0,0,1], [1,0,1])
calc_metrics_derived_from_confusion_matrix("specificity",[0,0,1], [1,0,1])
calc_metrics_derived_from_confusion_matrix("NPV",[0,0,1], [1,0,1])