问题：
测量敏感性和特异性所需的混淆矩阵。
问题：
对于混淆矩阵数据，我具有匹配的级别，在混淆矩阵中，数据不能具有比参考更多的级别，因此当我的级别匹配时（例如，列表中的下面），那么关于'数据的错误是什么？不能有比参考更多的水平？参考是'model_prediction'[last length（）/ str（）。我的因变量是一个因子变量。
尝试的努力：
对于R代码，首先我运行了具有因子结果的预测，并包含了na.action：
loans_predict_fcm <- factor(predict(full, newdata = data_train, type = "response", na.action = na.pass))
具有来自单独table（）的结果，例如pred_table;我成功地使用公式计算了灵敏度和特异性。但是，我想与confusionMatrix（）交叉确认。但是我无法让confusionMatrix（）正常工作。
Sensitivity <- 100*(pred_table[1,1])/sum(pred_table[1,1] + pred_table[1,1])
Specificity <- 100*(pred_table[2,2])/sum(pred_table[2,1] + pred_table[2,2])
[当我尝试使用分解的predict（）运行confusionMatrix（）时。然后检查级别，发现它们不匹配，这就是为什么对数据失败的confusionMatrix（）不能具有比引用更多的级别的原因，在此运行model_prediction。
confusionMatrix(loans_predict_fcm, model_prediction, positive="1")
identical (levels(loans_predict_fcm), levels(model_prediction))
> FALSE
> length(loans_predict_fcm)
[1] 27724
> str(loans_predict_fcm)
Factor w/ 27424 levels "0.13079979710253",..: 15967 9625 15966 10703 7830 12394 21291 15023 17920 18442 ...
- attr(*, "names")= chr [1:27724] "11413" "2561" "25337" "1643" ...
> length(loans_train_data$statusRank)
[1] 27724
> str(loans_train_data$statusRank)
Factor w/ 2 levels "Bad","Good": 2 2 2 1 1 2 2 2 1 2 ...
> length(model_prediction)
[1] 27724
> str(model_prediction)
Factor w/ 2 levels "Bad","Good": 2 2 2 2 2 2 2 2 2 2 ...
>
对于“混淆矩阵的灵敏度和特异性”问题，列名和行名有所不同，因此我可以使用自定义函数来解决它，该函数基本上是对colnames（）和rownames（）的setdiff，并创建矩阵向量mat.or.vec（）表示缺少的姓氏长度。