考虑一个二分类的情况，类别为1和0，我们将1和0分别作为正类（positive）和负类（negative），则实际分类的结果有4种，表格如下（混淆矩阵）：
真实情况 预测结果
正例 反例
正例 TP(真正例) FN（假反例）
反例 FP（假正例） TN（真反例）
敏感性Sensitivity (Sen)：
Sen=TP/(TP+FN)*100%
特异性 Specificity (Spe)
spe=TN/(TN+FP)*100%
在癌症示例中，敏感性和特异性指：
敏感性：在患有癌症的所有人中，诊断正确的人有多少？
特异性：在未患癌症的所有人中，诊断正确的人有多少？
代码实现：
1.首先计算混淆矩阵
输入：标签数据和预测结果
输出：混淆矩阵
from sklearn.metrics import confusion_matrix
confusion_matrix(y_true, y_pred, labels=list(set(y_true)))
2.然后根据上面的公式分别计算灵敏度和特异性