题目
题目链接
分类模型的性能指标包括准确率（accuracy）、精确率（precision）、召回率（recall）、F1分数（F1_score）、ROC曲线（ROC_curve）、AUC（AUC）等。本题具体使用的性能指标如下
- 混淆矩阵（Confusion Matrix）:
\[\begin{bmatrix}
TP & FN \\
FP & TN
\end{bmatrix}
\]
其中，TP是真阳性，TN是真阴性，FP是假阳性，FN是假阴性。
\[TP = \text{真正例（True Positive）} = \text{被正确分类为正类的样本数}
\]
\[TN = \text{真负例（True Negative）} = \text{被正确分类为负类的样本数}
\]
\[FP = \text{假阳性（False Positive）} = \text{被错误分类为正类的负类样本数}
\]
\[FN = \text{假阴性（False Negative）} = \text{被错误分类为负类的正类样本数}
\]
- 准确率（Accuracy）:
\[Accuracy = \frac{TP + TN}{TP + TN + FP + FN}
\]
- F1分数（F1 Score）:
\[F1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall}
\]
其中，Precision = \(\frac{TP}{TP + FP}\)，Recall = \(\frac{TP}{TP + FN}\)。
- 特异度（Specificity）:
\[Specificity = \frac{TN}{TN + FP}
\]
- 负预测值（Negative Predictive Value）:
\[Negative\ Predictive\ Value = \frac{TN}{TN + FN}
\]
标准代码如下
from collections import Counter
def performance_metrics(actual: list[int], predicted: list[int]) -> tuple:data = list(zip(actual, predicted))counts = Counter(tuple(pair) for pair in data)TP, FN, FP, TN = counts[(1, 1)], counts[(1, 0)], counts[(0, 1)], counts[(0, 0)]confusion_matrix = [[TP, FN], [FP, TN]]accuracy = (TP + TN) / (TP + TN + FP + FN)precision = TP / (TP + FP)recall = TP / (TP + FN)f1 = 2 * precision * recall / (precision + recall)negativePredictive = TN / (TN + FN)specificity = TN / (TN + FP)return confusion_matrix, round(accuracy, 3), round(f1, 3), round(specificity, 3), round(negativePredictive, 3)
