metric_at_thresholds#
- sklearn.metrics.metric_at_thresholds(y_true, y_score, metric_func, *, sample_weight=None, metric_params=None)[source]#
计算二分类数据在每个阈值下的
metric_func。用于辅助在调整决策阈值时对指标值进行可视化。
更多信息请阅读用户指南。
1.9 版本中新增。
- 参数:
- y_true形状为 (n_samples,) 的 array-like
真实（正确）的目标标签。
- y_score形状为 (n_samples,) 的类数组
连续预测分数，可以是正类的估计概率，也可以是决策函数的输出。
- metric_func可调用对象
要使用的指标函数。它将被调用为
metric_func(y_true, y_pred, **metric_params)，其中y_pred是经阈值处理后的预测结果，在内部计算为y_pred = (y_score >= threshold)。输出应为单个数值，或每个元素大小相同的集合。- sample_weightshape 为 (n_samples,) 的 array-like, default=None
样本权重。如果不是
None，将传递给metric_func。- metric_paramsdict, default=None
传递给
metric_func的参数。
- 返回:
- metric_values形状为 (n_thresholds,) 或 (n_thresholds, *n_outputs) 的 ndarray
与每个阈值相关联的分数。如果
metric_func返回一个集合（例如浮点数的元组），则输出将是一个形状为 (n_thresholds, *n_outputs) 的二维数组。- thresholds形状为 (n_thresholds,) 的 ndarray
用于计算分数的阈值。
另请参阅
confusion_matrix_at_thresholds计算每个阈值的二分类混淆矩阵。
precision_recall_curve计算不同概率阈值的精确度-召回率对。
det_curve计算不同概率阈值的错误率。
roc_curve计算接收者操作特征 (ROC) 曲线。
示例
>>> import numpy as np >>> from sklearn.metrics import accuracy_score, metric_at_thresholds >>> y_true = np.array([0, 0, 1, 1]) >>> y_score = np.array([0.1, 0.4, 0.35, 0.8]) >>> metric_values, thresholds = metric_at_thresholds( ... y_true, y_score, accuracy_score) >>> thresholds array([0.8 , 0.4 , 0.35, 0.1 ]) >>> metric_values array([0.75, 0.5 , 0.75, 0.5 ])
