cnn 0 2 2 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 2 0 0 7 7 7 7label：0 2 2 0 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 2 0 0 7 7 7 7cnn是八分类的模型预测结果label是原始标签计算预测结果的accppvtprtnr

预测结果的acc (准确率) 可以通过以下公式计算：

acc = (TP + TN) / (TP + TN + FP + FN)

其中 TP (True Positive) 表示正确预测为正类别的样本数量，TN (True Negative) 表示正确预测为负类别的样本数量，FP (False Positive) 表示错误预测为正类别的样本数量，FN (False Negative) 表示错误预测为负类别的样本数量。

根据给定的数据，我们可以计算出：

TP = 13 (即cnn和label同时为正类别的数量) TN = 17 (即cnn和label同时为负类别的数量) FP = 1 (即cnn为正类别但label为负类别的数量) FN = 1 (即cnn为负类别但label为正类别的数量)

所以：

acc = (13 + 17) / (13 + 17 + 1 + 1) = 0.90625

预测结果的ppv (阳性预测值) 可以通过以下公式计算：

ppv = TP / (TP + FP)

所以：

ppv = 13 / (13 + 1) = 0.92857142857

预测结果的tpr (灵敏度) 可以通过以下公式计算：

tpr = TP / (TP + FN)

所以：

tpr = 13 / (13 + 1) = 0.92857142857

预测结果的tnr (特异度) 可以通过以下公式计算：

tnr = TN / (TN + FP)

所以：

tnr = 17 / (17 + 1) = 0.94444444444

综上所述，预测结果的acc为0.90625，ppv为0.92857142857，tpr为0.92857142857，tnr为0.94444444444