det_curve#

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

Вычислите компромисс между ошибками обнаружения (DET) для различных порогов вероятности.

Примечание: Поддержка за пределами бинарный задачи классификации через one-vs-rest или one-vs-one не реализованы.

Кривая DET используется для оценки компромиссов между ранжированием и ошибками в задачах бинарной классификации.

Подробнее в Руководство пользователя.

Добавлено в версии 0.24.

Изменено в версии 1.7: Добавлен произвольный порог на бесконечности для представления классификатора, который всегда предсказывает отрицательный класс, т.е. fpr=0 и fnr=1, если только fpr=0 уже достигается при конечном пороге.

Параметры:
y_truendarray формы (n_samples,)

Истинные бинарные метки. Если метки не являются ни {-1, 1}, ни {0, 1}, то pos_label должен быть явно указан.

y_scorendarray формы (n_samples,)

Целевые оценки, которые могут быть либо вероятностными оценками положительного класса, значениями уверенности, либо немасштабированными мерами решений (как возвращается функцией «decision_function» в некоторых классификаторах). Для decision_function оценки, значения больше или равные нулю должны указывать на положительный класс.

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 установлен в 1, иначе будет вызвана ошибка.

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

Веса выборок.

drop_intermediatebool, по умолчанию=False

Удалять ли пороги, где истинные положительные (tp) не изменяются по сравнению с предыдущим или последующим порогом. Все точки с одинаковым значением tp имеют одинаковый fnr и, следовательно, одинаковую координату y.

Добавлено в версии 1.7.

Возвращает:
fprndarray формы (n_thresholds,)

Частота ложных срабатываний (FPR), где элемент i — это частота ложных срабатываний предсказаний с оценкой >= thresholds[i]. Это иногда называется вероятностью ложного принятия или fall-out.

fnrndarray формы (n_thresholds,)

Частота ложных отрицаний (FNR), где элемент i — это частота ложных отрицаний для предсказаний с оценкой >= thresholds[i]. Иногда это называется частотой ложного отклонения или пропусков.

порогиndarray формы (n_thresholds,)

Уменьшающиеся пороги на функции принятия решений (либо predict_proba или decision_function) используется для вычисления FPR и FNR.

Изменено в версии 1.7: Добавляется произвольный порог на бесконечности для случая fpr=0 и fnr=1.

Смотрите также

DetCurveDisplay.from_estimator

Построить кривую DET для заданного оценщика и некоторых данных.

DetCurveDisplay.from_predictions

Построить кривую DET по истинным и предсказанным меткам.

DetCurveDisplay

Визуализация кривой DET.

roc_curve

Вычислить кривую рабочих характеристик приемника (ROC).

precision_recall_curve

Вычисление кривой точности-полноты.

confusion_matrix_at_thresholds

Для бинарной классификации вычислять количество истинно отрицательных, ложноположительных, ложноотрицательных и истинно положительных результатов на порог.

Примеры

>>> import numpy as np
>>> from sklearn.metrics import det_curve
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, fnr, thresholds = det_curve(y_true, y_scores)
>>> fpr
array([0.5, 0.5, 0. ])
>>> fnr
array([0. , 0.5, 0.5])
>>> thresholds
array([0.35, 0.4 , 0.8 ])
На этой странице