DET曲线显示#

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

DET 曲线可视化。

建议使用 from_estimator 或 from_predictions 创建可视化工具。所有参数都存储为属性。

更多信息请阅读 用户指南。

版本 0.24 中新增。

参数：
fprndarray

假阳性率。

fnrndarray

假阴性率。

estimator_namestr，默认为 None

估计器的名称。如果为 None，则不显示估计器名称。

pos_labelint、float、bool 或 str，默认为 None

正类的标签。

属性：
line_matplotlib Artist

DET 曲线。

ax_matplotlib Axes

包含 DET 曲线的坐标轴。

figure_matplotlib Figure

包含曲线的图形。

另请参阅

DET曲线 (det_curve)

计算不同概率阈值的错误率。

DetCurveDisplay.from_estimator

根据估计器和一些数据绘制 DET 曲线。

DetCurveDisplay.from_predictions

根据真实标签和预测标签绘制 DET 曲线。

示例

>>> 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)[source]#

根据估计器和数据绘制 DET 曲线。

更多信息请阅读 用户指南。

版本 1.0 中新增。

参数：
estimator估计器实例

已拟合的分类器或已拟合的 Pipeline（其中最后一个估计器是分类器）。

X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

输入值。

y形状为 (n_samples,) 的 array-like

目标值。

sample_weight形状为 (n_samples,) 的 array-like，默认为 None

样本权重。

response_method{'predict_proba', 'decision_function', 'auto'}，默认为 'auto'

指定是使用 predict_proba 还是 decision_function 作为预测的目标响应。如果设置为 'auto'，则首先尝试 predict_proba，如果不存在，则尝试 decision_function。

pos_labelint、float、bool 或 str，默认为 None

正类的标签。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中，则 pos_label 设置为 1，否则将引发错误。

namestr，默认为 None

DET 曲线的标签名称。如果为 None，则使用估计器的名称。

axmatplotlib axes，默认为 None

要绘制的坐标轴对象。如果为 None，则创建新的图形和坐标轴。

**kwargsdict

传递给 matplotlib plot 函数的其他关键字参数。

返回：
displayDetCurveDisplay

存储计算值的的对象。

另请参阅

DET曲线 (det_curve)

计算不同概率阈值的错误率。

DetCurveDisplay.from_predictions

根据真实标签和预测标签绘制 DET 曲线。

示例

>>> 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)[source]#

根据真实标签和预测标签绘制 DET 曲线。

更多信息请阅读 用户指南。

版本 1.0 中新增。

参数：
y_true形状为 (n_samples,) 的类数组

真实标签。

y_pred形状为 (n_samples,) 的类数组

目标分数，可以是正类的概率估计、置信值或未经阈值处理的决策度量（某些分类器上的 decision_function 返回）。

sample_weight形状为 (n_samples,) 的 array-like，默认为 None

样本权重。

pos_labelint、float、bool 或 str，默认为 None

正类的标签。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中，则 pos_label 设置为 1，否则将引发错误。

namestr，默认为 None

DET 曲线的名称，用于标记。如果为 None，则名称将设置为 "Classifier"。

axmatplotlib axes，默认为 None

要绘制的坐标轴对象。如果为 None，则创建新的图形和坐标轴。

**kwargsdict

传递给 matplotlib plot 函数的其他关键字参数。

返回：
displayDetCurveDisplay

存储计算值的的对象。

另请参阅

DET曲线 (det_curve)

计算不同概率阈值的错误率。

DetCurveDisplay.from_estimator

根据估计器和一些数据绘制 DET 曲线。

示例

>>> 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)
>>> y_pred = clf.decision_function(X_test)
>>> DetCurveDisplay.from_predictions(
...    y_test, y_pred)
<...>
>>> plt.show()
../../_images/sklearn-metrics-DetCurveDisplay-3.png
plot(ax=None, *, name=None, **kwargs)[source]#

绘制可视化图像。

参数：
axmatplotlib axes，默认为 None

要绘制的坐标轴对象。如果为 None，则创建新的图形和坐标轴。

namestr，默认为 None

DET 曲线的名称，用于标记。如果为 None，则使用 estimator_name（如果它不为 None），否则不显示标签。

**kwargsdict

传递给 matplotlib plot 函数的其他关键字参数。

返回：
displayDetCurveDisplay

存储计算值的的对象。