confusion_matrix_at_thresholds#

sklearn.metrics.confusion_matrix_at_thresholds(y_true, y_score, pos_label=None, sample_weight=None)[источник]#

Вычислить бинарный термины матрицы ошибок для каждого порога классификации.

Подробнее в Руководство пользователя.

Добавлено в версии 1.8.

Параметры:
y_truendarray формы (n_samples,)

Истинные цели бинарной классификации.

y_scorendarray формы (n_samples,)

Оцененные вероятности или выход функции принятия решения.

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

Метка положительного класса.

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

Веса выборок.

Возвращает:
tnsndarray формы (n_thresholds,)

Количество истинных отрицаний, по индексу i является количеством отрицательных выборок, которым присвоен score < thresholds[i].

кадров в секундуndarray формы (n_thresholds,)

Количество ложных срабатываний, по индексу i является количеством отрицательных выборок, которым присвоен score >= thresholds[i]. Общее количество отрицательных выборок равно fps[-1].

fnsndarray формы (n_thresholds,)

Количество ложноотрицательных результатов, по индексу i будучи числом положительных образцов, которым присвоен score < thresholds[i].

tpsndarray формы (n_thresholds,)

Увеличивающееся количество истинно положительных результатов, по индексу i является количеством положительных выборок, которым присвоен score >= thresholds[i]. Общее количество положительных выборок равно tps[-1].

порогиndarray формы (n_thresholds,)

Уменьшающиеся значения оценки.

Смотрите также

confusion_matrix

Вычислите матрицу классификации для оценки точности классификатора.

roc_curve

Вычислить кривую рабочих характеристик приемника (ROC).

precision_recall_curve

Вычисление кривой точности-полноты.

det_curve

Вычислить кривую компромисса ошибок обнаружения (DET).

Примеры

>>> import numpy as np
>>> from sklearn.metrics import confusion_matrix_at_thresholds
>>> y_true = np.array([0., 0., 1., 1.])
>>> y_score = np.array([0.1, 0.4, 0.35, 0.8])
>>> tns, fps, fns, tps, thresholds = confusion_matrix_at_thresholds(y_true, y_score)
>>> tns
array([2., 1., 1., 0.])
>>> fps
array([0., 1., 1., 2.])
>>> fns
array([1., 1., 0., 0.])
>>> tps
array([1., 1., 2., 2.])
>>> thresholds
array([0.8 , 0.4 , 0.35, 0.1 ])