det_curve

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

Вычисляет кривую компромисса ошибок обнаружения (DET) для различных порогов вероятности.

Примечание: поддержка задач классификации, отличных от бинарной, с использованием подхода «один против всех» или «один против одного» не реализована.

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

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.24.

Изменено в версии 1.7: Добавлен произвольный порог, равный бесконечности, для представления классификатора, который всегда предсказывает отрицательный класс, то есть fpr=0 и fnr=1, если только fpr=0 уже не достигнуто при конечном пороге.

Параметры:

y_truearray-like формы (n_samples,)

Истинные бинарные метки. Если метки не являются ни {-1, 1}, ни {0, 1}, значение pos_label следует указать явно.

y_scorearray-like формы (n_samples,)

Целевые оценки: это могут быть оценки вероятности положительного класса или непороговые значения функции принятия решения (возвращаемые decision_function некоторых классификаторов). Для оценок decision_function значения, большие или равные нулю, должны указывать на положительный класс.

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

Метка положительного класса. Если pos_label=None, а y_true входит в {-1, 1} или {0, 1}, pos_label принимает значение 1, в противном случае будет вызвана ошибка.

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

Веса выборок.

drop_intermediatebool, по умолчанию=False

Следует ли отбрасывать пороги, при которых число истинно положительных результатов (tp) не меняется относительно предыдущего или последующего порога. Все точки с одинаковым значением tp имеют одинаковое fnr и, следовательно, одинаковую координату y.

Добавлено в версии 1.7.

Возвращает:

fprndarray формы (n_thresholds,)

Частота ложноположительных результатов (FPR), при которой элемент i является частотой ложноположительных результатов для предсказаний со значением >= thresholds[i]. Иногда её называют вероятностью ложного принятия или долей ложных срабатываний.

fnrndarray формы (n_thresholds,)

Частота ложноотрицательных результатов (FNR), при которой элемент i является частотой ложноотрицательных результатов для предсказаний со значением >= thresholds[i]. Иногда её называют частотой ложных отказов или пропусков.

thresholdsndarray формы (n_thresholds,)

Убывающие пороги для функции принятия решения (либо predict_proba, либо decision_function), используемые для вычисления FPR и FNR.

Изменено в версии 1.7: Добавлен произвольный порог, равный бесконечности, для случая fpr=0 и fnr=1.

См. также

DetCurveDisplay.from_estimator

Строит кривую DET по оценщику и данным.

DetCurveDisplay.from_predictions

Строит кривую DET по истинным и предсказанным меткам.

DetCurveDisplay

Визуализация кривой DET.

roc_curve

Вычисляет кривую рабочих характеристик приёмника (ROC).

precision_recall_curve

Вычисляет кривую точности-полноты.

confusion_matrix_at_thresholds

Для бинарной классификации вычисляет количества истинно отрицательных, ложноположительных, ложноотрицательных и истинно положительных результатов для каждого порога.

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 ])

Примеры в галерее

Оценка качества классификатора с помощью матрицы ошибок

Кривая компромисса ошибок обнаружения (DET)