confusion_matrix_at_thresholds

sklearn.metrics.confusion_matrix_at_thresholds(y_true, y_score, *, pos_label=None, sample_weight=None)[исходный код]

Вычисляет компоненты бинарной матрицы ошибок для каждого порога классификации.

Подробнее см. в руководстве пользователя.

Добавлено в версии 1.8.

Параметры:

y_truearray-like размера (n_samples,)

Истинные целевые значения для бинарной классификации.

y_scorearray-like размера (n_samples,)

Оценённые вероятности или выходное значение функции принятия решения.

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

Метка положительного класса.

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

Веса образцов.

Возвращает:

tnsndarray размера (n_thresholds,)

Количество истинно отрицательных результатов; элемент с индексом i содержит число отрицательных образцов, которым присвоена метка score < thresholds[i].

fpsndarray размера (n_thresholds,)

Количество ложноположительных результатов; элемент с индексом i содержит число отрицательных образцов, которым присвоена метка score >= thresholds[i]. Общее число отрицательных образцов равно fps[-1].

fnsndarray размера (n_thresholds,)

Количество ложноотрицательных результатов; элемент с индексом i содержит число положительных образцов, которым присвоена метка score < thresholds[i].

tpsndarray размера (n_thresholds,)

Возрастающее количество истинно положительных результатов; элемент с индексом i содержит число положительных образцов, которым присвоена метка score >= thresholds[i]. Общее число положительных образцов равно tps[-1].

thresholdsndarray размера (n_thresholds,)

Убывающие значения оценок.

См. также

confusion_matrix

Вычисляет матрицу классификации для оценки точности классификатора.

roc_curve

Вычисляет кривую рабочих характеристик приёмника (ROC).

precision_recall_curve

Вычисляет кривую точности-полноты.

det_curve

Вычисляет кривую компромисса между ошибками 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 ])

Примеры из галереи

Оценка качества классификатора с помощью матрицы ошибок