Scikit-learn：如何获得 True Positive、True Negative、False Positive 和 False Negative

我的问题：

我有一个数据集，它是一个很大的 JSON 文件。我读取它并将其存储在trainList多变的。

接下来，我对其进行预处理 - 以便能够使用它。

完成后，我开始分类：

1. 我用kfold交叉验证方法以获得平均值 准确性并训练分类器。
2. 我做出预测并获得该折叠的准确性和混淆矩阵。
3. 在此之后，我想获得True Positive(TP), True Negative(TN), False Positive(FP) and False Negative(FN)价值观。我将使用这些参数来获取灵敏度 and 特异性.

最后，我将使用它放入 HTML 中，以便显示包含每个标签的 TP 的图表。

Code:

我目前拥有的变量：

trainList #It is a list with all the data of my dataset in JSON form
labelList #It is a list with all the labels of my data 

该方法的大部分内容：

#I transform the data from JSON form to a numerical one
X=vec.fit_transform(trainList)

#I scale the matrix (don't know why but without it, it makes an error)
X=preprocessing.scale(X.toarray())

#I generate a KFold in order to make cross validation
kf = KFold(len(X), n_folds=10, indices=True, shuffle=True, random_state=1)

#I start the cross validation
for train_indices, test_indices in kf:
    X_train=[X[ii] for ii in train_indices]
    X_test=[X[ii] for ii in test_indices]
    y_train=[listaLabels[ii] for ii in train_indices]
    y_test=[listaLabels[ii] for ii in test_indices]

    #I train the classifier
    trained=qda.fit(X_train,y_train)

    #I make the predictions
    predicted=qda.predict(X_test)

    #I obtain the accuracy of this fold
    ac=accuracy_score(predicted,y_test)

    #I obtain the confusion matrix
    cm=confusion_matrix(y_test, predicted)

    #I should calculate the TP,TN, FP and FN 
    #I don't know how to continue

对于多类情况，您需要的一切都可以从混淆矩阵中找到。例如，如果您的混淆矩阵如下所示：

然后，您可以按类找到您要查找的内容，如下所示：

使用 pandas/numpy，您可以一次对所有类执行此操作，如下所示：

FP = confusion_matrix.sum(axis=0) - np.diag(confusion_matrix)  
FN = confusion_matrix.sum(axis=1) - np.diag(confusion_matrix)
TP = np.diag(confusion_matrix)
TN = confusion_matrix.values.sum() - (FP + FN + TP)

# Sensitivity, hit rate, recall, or true positive rate
TPR = TP/(TP+FN)
# Specificity or true negative rate
TNR = TN/(TN+FP) 
# Precision or positive predictive value
PPV = TP/(TP+FP)
# Negative predictive value
NPV = TN/(TN+FN)
# Fall out or false positive rate
FPR = FP/(FP+TN)
# False negative rate
FNR = FN/(TP+FN)
# False discovery rate
FDR = FP/(TP+FP)

# Overall accuracy
ACC = (TP+TN)/(TP+FP+FN+TN)