DetCurveDisplay#

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

检测误差权衡 (DET) 曲线可视化。

建议使用 from_estimator 或 from_predictions 来创建可视化工具。所有参数都作为属性存储。

有关 scikit-learn 可视化工具的常规信息，请参阅可视化指南。有关如何解释这些图的指导，请参阅模型评估指南。

在 0.24 版本中新增。

参数:
fprndarray

误报率。

fnrndarray

漏报率。

estimator_namestr, 默认为 None

估计器名称。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

带有 DET 曲线的轴。

figure_matplotlib Figure

包含曲线的图。

另请参阅

det_curve

计算不同概率阈值下的错误率。

DetCurveDisplay.from_estimator

根据估计器和数据绘制 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, drop_intermediate=True, response_method='auto', pos_label=None, name=None, ax=None, **kwargs)[源码]#

根据估计器和数据绘制 DET 曲线。

有关 scikit-learn 可视化工具的常规信息，请参阅可视化指南。有关如何解释这些图的指导，请参阅模型评估指南。

在 1.0 版本中新增。

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{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

输入值。

y类数组, 形状为 (n_samples,)

目标值。

sample_weight类数组, 形状为 (n_samples,), 默认为 None

样本权重。

drop_intermediatebool, 默认为 True

是否丢弃真阳性 (tp) 不随前一个或后一个阈值变化的阈值点。所有具有相同 tp 值的点具有相同的 fnr，因此具有相同的 y 坐标。

在 1.7 版本中新增。

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，pos_label 将设置为 1，否则将引发错误。

namestr, 默认为 None

用于标记的 DET 曲线名称。如果为 None，则使用估计器的名称。

axmatplotlib 轴, 默认为 None

用于绘图的轴对象。如果为 None，则会创建新的图和轴。

**kwargsdict

传递给 matplotlib plot 函数的额外关键字参数。

返回:
displayDetCurveDisplay

存储计算值的对象。

另请参阅

det_curve

计算不同概率阈值下的错误率。

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, drop_intermediate=True, pos_label=None, name=None, ax=None, **kwargs)[源码]#

根据真实标签和预测标签绘制 DET 曲线。

有关 scikit-learn 可视化工具的常规信息，请参阅可视化指南。有关如何解释这些图的指导，请参阅模型评估指南。

在 1.0 版本中新增。

参数:
y_true类数组, 形状为 (n_samples,)

真实标签。

y_pred类数组, 形状为 (n_samples,)

目标分数，可以是正类的概率估计、置信度值，或非阈值化的决策度量（由某些分类器的 decision_function 返回）。

sample_weight类数组, 形状为 (n_samples,), 默认为 None

样本权重。

drop_intermediatebool, 默认为 True

是否丢弃真阳性 (tp) 不随前一个或后一个阈值变化的阈值点。所有具有相同 tp 值的点具有相同的 fnr，因此具有相同的 y 坐标。

在 1.7 版本中新增。

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，pos_label 将设置为 1，否则将引发错误。

namestr, 默认为 None

用于标记的 DET 曲线名称。如果为 None，名称将设置为 "Classifier"。

axmatplotlib 轴, 默认为 None

用于绘图的轴对象。如果为 None，则会创建新的图和轴。

**kwargsdict

传递给 matplotlib plot 函数的额外关键字参数。

返回:
displayDetCurveDisplay

存储计算值的对象。

另请参阅

det_curve

计算不同概率阈值下的错误率。

DetCurveDisplay.from_estimator

根据估计器和数据绘制 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)[源码]#

绘制可视化图。

参数:
axmatplotlib 轴, 默认为 None

用于绘图的轴对象。如果为 None，则会创建新的图和轴。

namestr, 默认为 None

用于标记的 DET 曲线名称。如果为 None，则在 estimator_name 不为 None 时使用 estimator_name，否则不显示标签。

**kwargsdict

传递给 matplotlib plot 函数的额外关键字参数。

返回:
displayDetCurveDisplay

存储计算值的对象。