精确率-召回率曲线 #
- sklearn.metrics.precision_recall_curve(y_true, y_score=None, *, pos_label=None, sample_weight=None, drop_intermediate=False, probas_pred='deprecated')[source]#
计算不同概率阈值下的精确率-召回率对。
注意：此实现仅限于二元分类任务。
精确率是比率
tp / (tp + fp)，其中tp是真阳性数，fp是假阳性数。直观地说，精确率是分类器不将负样本标记为正样本的能力。召回率是比率
tp / (tp + fn)，其中tp是真阳性数，fn是假阴性数。直观地说，召回率是分类器找到所有正样本的能力。最后一个精确率和召回率值分别为 1. 和 0.，并且没有对应的阈值。这确保了图表从 y 轴开始。
第一个精确率和召回率值是精确率=类别平衡且召回率=1.0，这对应于始终预测正类别的分类器。
在 用户指南 中了解更多信息。
- 参数：
- y_trueshape 为 (n_samples,) 的类数组
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_scoreshape 为 (n_samples,) 的类数组
目标分数，可以是正类的概率估计，也可以是非阈值化决策度量（由某些分类器上的
decision_function返回）。- 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。- sample_weightshape 为 (n_samples,) 的类数组，默认为 None
样本权重。
- drop_intermediatebool，默认为 False
是否丢弃一些在绘制的精确率-召回率曲线中不会出现的次优阈值。这对于创建更轻量的精确率-召回率曲线很有用。
1.3 版本中添加。
- probas_predshape 为 (n_samples,) 的类数组
目标分数，可以是正类的概率估计，也可以是非阈值化决策度量（由某些分类器上的
decision_function返回）。自 1.5 版本起已弃用：
probas_pred已弃用，将在 1.7 版本中移除。请改用y_score。
- 返回：
- precisionshape 为 (n_thresholds + 1,) 的 ndarray
精确率值，其中元素 i 是分数 >= thresholds[i] 的预测的精确率，最后一个元素为 1。
- recallshape 为 (n_thresholds + 1,) 的 ndarray
递减的召回率值，其中元素 i 是分数 >= thresholds[i] 的预测的召回率，最后一个元素为 0。
- thresholdsshape 为 (n_thresholds,) 的 ndarray
用于计算精确率和召回率的决策函数上的递增阈值，其中
n_thresholds = len(np.unique(probas_pred))。
另请参见
PrecisionRecallDisplay.from_estimator给定二元分类器，绘制精确率-召回率曲线。
PrecisionRecallDisplay.from_predictions使用二元分类器的预测结果绘制精确率-召回率曲线。
average_precision_score计算预测分数的平均精确率。
det_curve计算不同概率阈值的错误率。
ROC曲线 (roc_curve)计算受试者工作特征 (ROC) 曲线。
示例
>>> import numpy as np >>> from sklearn.metrics import precision_recall_curve >>> y_true = np.array([0, 0, 1, 1]) >>> y_scores = np.array([0.1, 0.4, 0.35, 0.8]) >>> precision, recall, thresholds = precision_recall_curve( ... y_true, y_scores) >>> precision array([0.5 , 0.66666667, 0.5 , 1. , 1. ]) >>> recall array([1. , 1. , 0.5, 0.5, 0. ]) >>> thresholds array([0.1 , 0.35, 0.4 , 0.8 ])
