在Python中获取数组的正值、TN、FP和FN

，可以通过使用混淆矩阵（Confusion Matrix）来实现。混淆矩阵是用于评估分类模型性能的一种常用工具，它将模型的预测结果与真实标签进行比较，从而计算出各种分类结果的数量。

首先，需要导入相应的库：

import numpy as np
from sklearn.metrics import confusion_matrix

假设有一个真实标签数组y_true和一个预测标签数组y_pred，可以使用confusion_matrix函数来计算混淆矩阵：

y_true = np.array([1, 0, 1, 0, 1])  # 真实标签数组
y_pred = np.array([1, 1, 0, 0, 1])  # 预测标签数组

cm = confusion_matrix(y_true, y_pred)

混淆矩阵cm的形状为(2, 2)，其中行表示真实标签，列表示预测标签。对于二分类问题，混淆矩阵的四个元素分别表示真正例（True Positive，TP）、真反例（True Negative，TN）、假正例（False Positive，FP）和假反例（False Negative，FN）的数量。

TP = cm[1, 1]  # 真正例
TN = cm[0, 0]  # 真反例
FP = cm[0, 1]  # 假正例
FN = cm[1, 0]  # 假反例

通过以上代码，可以获取到数组的正值、TN、FP和FN的数量。

关于混淆矩阵的更多信息和应用场景，可以参考腾讯云机器学习平台的相关文档：

• 混淆矩阵概念和分类：链接地址
• 混淆矩阵在模型评估中的优势：链接地址
• 腾讯云相关产品：链接地址