如何在交叉验证中计算灵敏度（Recall）与特异度？代码实现咨询

首先先明确交叉验证里灵敏度和特异度的完整计算逻辑：

• 灵敏度（Sensitivity，也就是你代码里的Recall）：衡量模型对正样本的识别能力，计算公式为：

  灵敏度 = 真阳性(TP) / (真阳性(TP) + 假阴性(FN))
  

  简单说就是，所有真实为正的样本里，被模型正确预测为正的比例。
• 特异度（Specificity）：衡量模型对负样本的识别能力，计算公式为：

  特异度 = 真阴性(TN) / (真阴性(TN) + 假阳性(FP))
  

  也就是所有真实为负的样本里，被模型正确预测为负的比例。

接下来看代码修改：scikit-learn的cross_validate默认没有内置的特异度评分项，所以我们需要自定义一个评分函数，用make_scorer包装后加入到scoring列表中。同时注意你原来的代码里用scores.keys()[2]这种索引方式很不可靠（字典在旧版Python里是无序的），建议直接用key名称访问结果。

修改后的完整代码如下：

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_validate
from sklearn.metrics import make_scorer, confusion_matrix

# 自定义特异度计算函数
def specificity_score(y_true, y_pred):
    # 拆解混淆矩阵的四个值：真阴性、假阳性、假阴性、真阳性
    tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
    # 计算特异度
    return tn / (tn + fp)

# 定义要评估的指标：召回率（灵敏度）、精确率、特异度
scoring = ['recall', 'precision', make_scorer(specificity_score, name='specificity')]

print("-----------------------------------------LR---------------------------------")
clf = LogisticRegression()
# 执行交叉验证
scores = cross_validate(clf, traindata, trainlabel, cv=3, scoring=scoring, return_train_score=False)

# 打印所有交叉验证结果
print("交叉验证所有结果：")
print(scores)

# 分别打印各指标的均值
print("\n精确率（Precision）均值：")
print(np.mean(scores['test_precision']))

print("\n灵敏度（Sensitivity/Recall）均值：")
print(np.mean(scores['test_recall']))

print("\n特异度（Specificity）均值：")
print(np.mean(scores['test_specificity']))

代码修改说明： #

1. 新增了specificity_score函数：通过混淆矩阵拆解出真阴性(TN)和假阳性(FP)，代入特异度公式计算。
2. 用make_scorer把自定义函数转换成scikit-learn能识别的评分器，指定name参数让结果里的key更清晰。
3. 替换了原来的索引访问方式，直接用scores['test_xxx']来获取对应指标的交叉验证结果，避免因字典顺序问题导致的错误。
4. 优化了打印输出的可读性，让结果更直观。

内容的提问来源于stack exchange，提问作者Vinayakumar R