DetCurveDisplay#

class sklearn.metrics.DetCurveDisplay(*, fpr, fnr, estimator_name=None, pos_label=None)#

DET曲线可视化。

建议使用:func:~sklearn.metrics.DetCurveDisplay.from_estimator 或:func:~sklearn.metrics.DetCurveDisplay.from_predictions 来创建一个可视化工具。所有参数都存储为属性。

更多信息请参阅:ref:用户指南 <visualizations> 。

Added in version 0.24.

Parameters:

fprndarray: 假阳性率。
fnrndarray: 假阴性率。
estimator_namestr, default=None: 估计器的名称。如果为None，则不显示估计器名称。
pos_labelint, float, bool or str, default=None: 正类的标签。

Attributes:

line_matplotlib Artist: DET曲线。
ax_matplotlib Axes: 带有DET曲线的Axes。
figure_matplotlib Figure: 包含曲线的Figure。

See also

det_curve: 计算不同概率阈值的错误率。
DetCurveDisplay.from_estimator: 给定一个估计器和一些数据绘制DET曲线。
DetCurveDisplay.from_predictions: 给定真实标签和预测标签绘制DET曲线。

Examples

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import det_curve, DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> y_pred = clf.decision_function(X_test)
>>> fpr, fnr, _ = det_curve(y_test, y_pred)
>>> display = DetCurveDisplay(
...     fpr=fpr, fnr=fnr, estimator_name="SVC"
... )
>>> display.plot()
<...>
>>> plt.show()

../../_images/sklearn-metrics-DetCurveDisplay-1.png

classmethod from_estimator(estimator, X, y, *, sample_weight=None, response_method='auto', pos_label=None, name=None, ax=None, **kwargs)#

绘制给定估计器和数据的DET曲线。

更多信息请参阅用户指南。

Added in version 1.0.

Parameters:

estimator估计器实例: 拟合的分类器或拟合的 Pipeline ，其中最后一个估计器是分类器。
X{array-like, sparse matrix}，形状为 (n_samples, n_features): 输入值。
yarray-like，形状为 (n_samples,): 目标值。
sample_weightarray-like，形状为 (n_samples,)，默认=None: 样本权重。
response_method{‘predict_proba’, ‘decision_function’, ‘auto’}，默认=’auto’: 指定使用 predict_proba 还是 decision_function 作为预测目标响应。如果设置为 ‘auto’，首先尝试 predict_proba ，如果不存在则尝试 decision_function 。
pos_labelint, float, bool 或 str，默认=None: 正类的标签。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中， pos_label 设置为 1，否则将引发错误。
namestr，默认=None: DET曲线的名称用于标签。如果 None ，使用估计器的名称。
axmatplotlib axes，默认=None: 要绘制的轴对象。如果 None ，则创建一个新的图形和轴。
**kwargsdict: 传递给 matplotlib plot 函数的其他关键字参数。

Returns:

displayDetCurveDisplay: 存储计算值的对象。

See also

det_curve: 计算不同概率阈值的错误率。
DetCurveDisplay.from_predictions: 给定真实标签和预测标签绘制DET曲线。

Examples

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> DetCurveDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()

../../_images/sklearn-metrics-DetCurveDisplay-2.png

classmethod from_predictions(y_true, y_pred, *, sample_weight=None, pos_label=None, name=None, ax=None, **kwargs)#

绘制给定真实标签和预测标签的DET曲线。

更多信息请参阅用户指南。

Added in version 1.0.

Parameters:

y_truearray-like of shape (n_samples,): 真实标签。
y_predarray-like of shape (n_samples,): 目标分数，可以是正类的概率估计、置信值或无阈值的决策度量（如某些分类器的 decision_function 返回的值）。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。
pos_labelint, float, bool or str, default=None: 正类的标签。当 pos_label=None 时，如果 y_true 在{-1, 1}或{0, 1}中， pos_label 设置为1，否则会引发错误。
namestr, default=None: DET曲线的名称。如果为 None ，名称将设置为 "Classifier" 。
axmatplotlib axes, default=None: 要绘制的轴对象。如果为 None ，将创建一个新的图形和轴。
**kwargsdict: 传递给matplotlib plot 函数的其他关键字参数。

Returns:

displayDetCurveDisplay: 存储计算值的对象。

Gallery examples#

检测错误权衡（DET）曲线