det_curve

sklearn.metrics.det_curve(y_true, y_score, pos_label=None, sample_weight=None)[source]

Вычисление ошибок для различных пороговых значений вероятности.

Примечание

Эта метрика используется для оценки компромисса между ранжированием и ошибками в задаче бинарной классификации.

Подробнее в Руководстве пользователя.

Добавлен в версии 0.24.

Параметры:

y_truendarray формы (n_samples,)

Истинные бинарные метки. Если метки не равны {-1, 1} или {0, 1}, то pos_label должен быть явно задан.

y_scorendarray формы (n_samples,)

Целевые оценки, которые могут быть оценками вероятности положительного класса, значениями доверия или не порождёнными измерениями решений (как возвращаемые методом “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. Когда pos_label=None, если y_true находится в {-1, 1} или {0, 1}, pos_label устанавливается в 1, в противном случае будет поднято исключение.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

fprndarray формы (n_thresholds,)

Скорость ложных срабатываний (FPR) такого, что элемент i — скорость ложных срабатываний прогнозов с оценкой >= thresholds[i]. Иногда это называется вероятностью ложного принятия или ложным выходом.

fnrndarray формы (n_thresholds,)

Скорость ложных отказов (FNR) такого, что элемент i — скорость ложных отказов прогнозов с оценкой >= thresholds[i]. Иногда это называется ложным отклонением или частотой пропусков.

thresholdsndarray формы (n_thresholds,)

Убывающие значения оценок.

См. также

DetCurveDisplay.from_estimator

Построение кривой DET для заданного оценщика и некоторых данных.

DetCurveDisplay.from_predictions

Построение кривой DET на основе истинных и предсказанных меток.

DetCurveDisplay

Визуализация кривой DET.

roc_curve

Вычисление кривой ROC (кривой получателя характеристик).

precision_recall_curve

Вычисление кривой точность-полнота.

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 галереи

Кривая компромисса между ошибками детектирования (DET)