DET曲线#

sklearn.metrics.det_curve(y_true, y_score, pos_label=None, sample_weight=None)[source]#

计算不同概率阈值下的错误率。

注意

此指标用于评估二元分类任务的排序和错误权衡。

更多信息请阅读用户指南。

0.24 版本新增。

参数：
y_truendarray of shape (n_samples,)

真实的二元标签。如果标签不是 {-1, 1} 或 {0, 1}，则应明确给出 pos_label。

y_scorendarray of shape of (n_samples,)

目标分数，可以是正类的概率估计、置信度值或非阈值决策度量（某些分类器返回的“decision_function”）。

pos_labelint, float, bool 或 str, default=None

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

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

返回值：
fprndarray of shape (n_thresholds,)

假阳性率 (FPR)，其中元素 i 是分数 >= thresholds[i] 的预测的假阳性率。这有时被称为假接受概率或漏报率。

fnrndarray of shape (n_thresholds,)

假阴性率 (FNR)，其中元素 i 是分数 >= thresholds[i] 的预测的假阴性率。这有时被称为假拒绝率或失误率。

thresholdsndarray of shape (n_thresholds,)

递减的分数值。

参见

DetCurveDisplay.from_estimator

给定估计器和一些数据绘制 DET 曲线。

DetCurveDisplay.from_predictions

给定真实和预测标签绘制 DET 曲线。

DET曲线显示 (DetCurveDisplay)

DET 曲线可视化。

ROC曲线 (roc_curve)

计算接收者操作特征 (ROC) 曲线。

精确率-召回率曲线 (precision_recall_curve)

计算精确率-召回率曲线。

示例

>>> import numpy as np
>>> from sklearn.metrics import det_curve
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, fnr, thresholds = det_curve(y_true, y_scores)
>>> fpr
array([0.5, 0.5, 0. ])
>>> fnr
array([0. , 0.5, 0.5])
>>> thresholds
array([0.35, 0.4 , 0.8 ])