precision_recall_curve#

sklearn.metrics.precision_recall_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=False)[source]#

计算不同概率阈值下的精确率-召回率对。

注意：此实现仅限于二分类任务。

精确率是 tp / (tp + fp) 的比率，其中 tp 是真阳性数量，fp 是假阳性数量。精确率直观地表示分类器将阴性样本不标记为阳性的能力。

召回率是 tp / (tp + fn) 的比率，其中 tp 是真阳性数量，fn 是假阴性数量。召回率直观地表示分类器找到所有阳性样本的能力。

最后两个精确率和召回率值分别为 1. 和 0.，它们没有对应的阈值。这确保了图表从 y 轴开始。

第一个精确率和召回率值分别是精确率=类别平衡和召回率=1.0，这对应于一个总是预测为阳性类别的分类器。

在用户指南中阅读更多内容。

参数:

y_true形状为 (n_samples,) 的类数组: 真实的二分类标签。如果标签不是 {-1, 1} 或 {0, 1}，则应明确给出 pos_label。
y_score形状为 (n_samples,) 的类数组: 目标得分，可以是正类的概率估计，也可以是未阈值化的决策度量（如某些分类器的 decision_function 所返回）。对于 decision_function 得分，大于或等于零的值应表示正类。
pos_labelint, float, bool 或 str, 默认值=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_weight形状为 (n_samples,) 的类数组, 默认值=None: 样本权重。
drop_intermediatebool, 默认值=False: 是否删除一些次优阈值，这些阈值不会出现在绘制的精确率-召回率曲线上。这对于创建更轻量级的精确率-召回率曲线很有用。

版本 1.3 新增。

返回:

precision形状为 (n_thresholds + 1,) 的 ndarray: 精确率值，其中第 i 个元素是得分 >= thresholds[i] 的预测的精确率，最后一个元素是 1。
recall形状为 (n_thresholds + 1,) 的 ndarray: 递减的召回率值，其中第 i 个元素是得分 >= thresholds[i] 的预测的召回率，最后一个元素是 0。
thresholds形状为 (n_thresholds,) 的 ndarray: 用于计算精确率和召回率的决策函数的递增阈值，其中 n_thresholds = len(np.unique(y_score))。

另请参见

PrecisionRecallDisplay.from_estimator: 给定二分类器绘制精确率-召回率曲线。
PrecisionRecallDisplay.from_predictions: 使用二分类器的预测绘制精确率-召回率曲线。
average_precision_score: 从预测得分计算平均精确率。
det_curve: 计算不同概率阈值下的错误率。
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 ])

图库示例#

使用显示对象的视觉化

精确率-召回率

precision_recall_curve#

图库示例#

本页