DetCurveDisplay#

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

Визуализация кривой компромисса ошибок обнаружения (DET).

Рекомендуется использовать from_estimator или from_predictions для создания визуализатора. Все параметры хранятся как атрибуты.

Для общей информации относительно scikit-learn инструменты визуализации, см. Руководство по визуализации. Для руководства по интерпретации этих графиков обратитесь к Руководство по оценке моделей.

Добавлено в версии 0.24.

Параметры:
fprndarray

Частота ложных срабатываний.

fnrndarray

Частота ложноотрицательных результатов.

estimator_namestr, default=None

Имя оценщика. Если None, имя оценщика не отображается.

pos_labelint, float, bool или str, по умолчанию=None

Метка положительного класса. Если не None, это значение отображается в метках осей x и y.

Атрибуты:
line_художник matplotlib

Кривая DET.

ax_matplotlib Axes

Оси с кривой DET.

figure_фигура matplotlib

Рисунок, содержащий кривую.

Смотрите также

det_curve

Вычислить частоты ошибок для разных порогов вероятности.

DetCurveDisplay.from_estimator

Построить кривую DET для заданного оценщика и некоторых данных.

DetCurveDisplay.from_predictions

Построить кривую DET по истинным и предсказанным меткам.

Примеры

>>> 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_score = clf.decision_function(X_test)
>>> fpr, fnr, _ = det_curve(y_test, y_score)
>>> display = DetCurveDisplay(
...     fpr=fpr, fnr=fnr, estimator_name="SVC"
... )
>>> display.plot()
<...>
>>> plt.show()
../../_images/sklearn-metrics-DetCurveDisplay-1.png
метод класса from_estimator(estimator, X, y, *, sample_weight=None, drop_intermediate=True, response_method='auto', pos_label=None, имя=None, ax=None, **kwargs)[источник]#

Постройте кривую DET для заданного оценщика и данных.

Для общей информации относительно scikit-learn инструменты визуализации, см. Руководство по визуализации. Для руководства по интерпретации этих графиков обратитесь к Руководство по оценке моделей.

Добавлено в версии 1.0.

Параметры:
estimatorэкземпляр estimator

Обученный классификатор или обученный Pipeline в котором последний оценщик является классификатором.

X{array-like, sparse matrix} формы (n_samples, n_features)

Входные значения.

yarray-like формы (n_samples,)

Целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

drop_intermediatebool, по умолчанию=True

Следует ли удалять пороги, где истинные положительные (tp) не изменяются от предыдущего или последующего порога. Все точки с одинаковым значением tp имеют одинаковый fnr и, следовательно, одинаковую координату y.

Добавлено в версии 1.7.

response_method{'predict_proba', 'decision_function', 'auto'} по умолчанию='auto'

Указывает, использовать ли predict_proba или decision_function как предсказанный целевой отклик. Если установлено значение 'auto', predict_proba пробуется сначала, и если он не существует decision_function пробуется следующим.

pos_labelint, float, bool или str, по умолчанию=None

Метка положительного класса. По умолчанию, estimators.classes_[1] инициализация на основе

имяstr, default=None

Имя кривой DET для маркировки. Если None, используйте имя оценщика.

axоси matplotlib, по умолчанию=None

Объект Axes для построения графика. Если None, создаётся новая фигура и оси.

**kwargsdict

Дополнительные аргументы-ключевые слова, передаваемые в matplotlib plot функция.

Возвращает:
отображениеDetCurveDisplay

Объект, который хранит вычисленные значения.

Смотрите также

det_curve

Вычислить частоты ошибок для разных порогов вероятности.

DetCurveDisplay.from_predictions

Построить кривую DET по истинным и предсказанным меткам.

Примеры

>>> 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
метод класса from_predictions(y_true, y_score=None, *, sample_weight=None, drop_intermediate=True, pos_label=None, имя=None, ax=None, y_pred='устаревший', **kwargs)[источник]#

Построить кривую DET по истинным и предсказанным меткам.

Для общей информации относительно scikit-learn инструменты визуализации, см. Руководство по визуализации. Для руководства по интерпретации этих графиков обратитесь к Руководство по оценке моделей.

Добавлено в версии 1.0.

Параметры:
y_truearray-like формы (n_samples,)

для расширения текущего примера, оценивающего дисперсию ROC-кривых и их соответствующих AUC.

y_scorearray-like формы (n_samples,)

Целевые оценки, могут быть либо вероятностными оценками положительного класса, значениями уверенности, либо немасштабированными мерами решений (как возвращено decision_function на некоторых классификаторах).

Добавлено в версии 1.8: y_pred был переименован в y_score.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

drop_intermediatebool, по умолчанию=True

Следует ли удалять пороги, где истинные положительные (tp) не изменяются от предыдущего или последующего порога. Все точки с одинаковым значением tp имеют одинаковый fnr и, следовательно, одинаковую координату y.

Добавлено в версии 1.7.

pos_labelint, float, bool или str, по умолчанию=None

Метка положительного класса. Когда pos_label=None, если y_true находится в {-1, 1} или {0, 1}, pos_label установлено в 1, в противном случае будет вызвана ошибка.

имяstr, default=None

Имя кривой DET для маркировки. Если None, имя будет установлено в "Classifier".

axоси matplotlib, по умолчанию=None

Объект Axes для построения графика. Если None, создаётся новая фигура и оси.

y_predarray-like формы (n_samples,)

Целевые оценки, которые могут быть либо вероятностными оценками положительного класса, значениями достоверности, либо немасштабированными мерами решений (как возвращается "decision_function" в некоторых классификаторах).

Устарело с версии 1.8: y_pred устарел и будет удален в версии 1.10. Используйте y_score вместо этого.

**kwargsdict

Дополнительные аргументы-ключевые слова, передаваемые в matplotlib plot функция.

Возвращает:
отображениеDetCurveDisplay

Объект, который хранит вычисленные значения.

Смотрите также

det_curve

Вычислить частоты ошибок для разных порогов вероятности.

DetCurveDisplay.from_estimator

Построить кривую DET для заданного оценщика и некоторых данных.

Примеры

>>> 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_score = clf.decision_function(X_test)
>>> DetCurveDisplay.from_predictions(
...    y_test, y_score)
<...>
>>> plt.show()
../../_images/sklearn-metrics-DetCurveDisplay-3.png
plot(ax=None, *, имя=None, **kwargs)[источник]#

Визуализация графика.

Параметры:
axоси matplotlib, по умолчанию=None

Объект Axes для построения графика. Если None, создаётся новая фигура и оси.

имяstr, default=None

Имя кривой DET для маркировки. Если None, используйте estimator_name если это не None, в противном случае метки не отображаются.

**kwargsdict

Дополнительные аргументы-ключевые слова, передаваемые в matplotlib plot функция.

Возвращает:
отображениеDetCurveDisplay

Объект, который хранит вычисленные значения.