DetCurveDisplay

classsklearn.metrics.DetCurveDisplay(*, fpr, fnr, estimator_name=None, pos_label=None)[исходный код]

Визуализация кривой компромисса ошибок обнаружения (DET).

Для создания визуализатора рекомендуется использовать from_estimator или from_predictions. Все параметры сохраняются в виде атрибутов.

Общие сведения о средствах визуализации scikit-learn см. в руководстве по визуализации. Рекомендации по интерпретации этих графиков см. в руководстве по оценке моделей.

Добавлено в версии 0.24.

Параметры:

fprndarray

Доля ложноположительных результатов.

fnrndarray

Доля ложноотрицательных результатов.

estimator_namestr, default=None

Имя оценивателя. Если значение равно None, имя оценивателя не отображается.

pos_labelint, float, bool or str, default=None

Метка положительного класса. Если значение не None, оно отображается в подписях осей x и y.

Атрибуты:

line_matplotlib Artist

Кривая DET.

ax_matplotlib Axes

Оси с кривой DET.

figure_matplotlib Figure

Фигура, содержащая кривую.

См. также

det_curve

Вычисляет частоты ошибок для различных порогов вероятности.

DetCurveDisplay.from_estimator

Строит кривую DET по оценивателю и данным.

DetCurveDisplay.from_predictions

Строит кривую DET по истинным и предсказанным меткам.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import det_curve, DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> y_score = clf.decision_function(X_test)
>>> fpr, fnr, _ = det_curve(y_test, y_score)
>>> display = DetCurveDisplay(
...     fpr=fpr, fnr=fnr, estimator_name="SVC"
... )
>>> display.plot()
<...>
>>> plt.show()

classmethodfrom_estimator(estimator, X, y, *, sample_weight=None, drop_intermediate=True, response_method='auto', pos_label=None, name=None, ax=None, **kwargs)[исходный код]

Строит кривую DET по оценивателю и данным.

Общие сведения о средствах визуализации scikit-learn см. в руководстве по визуализации. Рекомендации по интерпретации этих графиков см. в руководстве по оценке моделей.

Добавлено в версии 1.0.

Параметры:

estimatorestimator instance

Обученный классификатор или обученный Pipeline, в котором последний оцениватель является классификатором.

X{array-like, sparse matrix} of shape (n_samples, n_features)

Входные значения.

yarray-like of shape (n_samples,)

Целевые значения.

sample_weightarray-like of shape (n_samples,), default=None

Веса объектов.

drop_intermediatebool, default=True

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

Добавлено в версии 1.7.

response_method{‘predict_proba’, ‘decision_function’, ‘auto’} default=’auto’

Указывает, следует ли использовать predict_proba или decision_function в качестве предсказанного целевого отклика. Если задано значение ‘auto’, сначала используется predict_proba, а если этот метод отсутствует, затем используется decision_function.

pos_labelint, float, bool or str, default=None

Метка положительного класса. По умолчанию положительным классом считается estimators.classes_[1].

namestr, default=None

Имя кривой DET для подписи. Если None, используется имя оценивателя.

axmatplotlib axes, default=None

Объект осей, на котором строится график. Если None, создаются новая фигура и оси.

**kwargsdict

Дополнительные именованные аргументы, передаваемые функции matplotlib plot.

Возвращает:

displayDetCurveDisplay

Объект, хранящий вычисленные значения.

См. также

det_curve

Вычисляет частоты ошибок для различных порогов вероятности.

DetCurveDisplay.from_predictions

Строит кривую DET по истинным и предсказанным меткам.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> DetCurveDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()

classmethodfrom_predictions(y_true, y_score=None, *, sample_weight=None, drop_intermediate=True, pos_label=None, name=None, ax=None, y_pred='deprecated', **kwargs)[исходный код]

Строит кривую DET по истинным и предсказанным меткам.

Общие сведения о средствах визуализации scikit-learn см. в руководстве по визуализации. Рекомендации по интерпретации этих графиков см. в руководстве по оценке моделей.

Добавлено в версии 1.0.

Параметры:

y_truearray-like of shape (n_samples,)

Истинные метки.

y_scorearray-like of shape (n_samples,)

Целевые оценки: это могут быть оценки вероятности положительного класса или значения решения без пороговой обработки (возвращаемые методом decision_function некоторых классификаторов).

Добавлено в версии 1.8: y_pred переименован в y_score.

sample_weightarray-like of shape (n_samples,), default=None

Веса объектов.

drop_intermediatebool, default=True

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

Добавлено в версии 1.7.

pos_labelint, float, bool or str, default=None

Метка положительного класса. Если pos_label=None и y_true входит в {-1, 1} или {0, 1}, pos_label присваивается значение 1, в противном случае возникает ошибка.

namestr, default=None

Имя кривой DET для подписи. Если None, для имени будет задано значение "Classifier".

axmatplotlib axes, default=None

Объект осей, на котором строится график. Если None, создаются новая фигура и оси.

y_predarray-like of shape (n_samples,)

Целевые оценки: это могут быть оценки вероятности положительного класса или значения решения без пороговой обработки (возвращаемые методом decision_function некоторых классификаторов).

Устарело с версии 1.8: y_pred является устаревшим и будет удалено в версии 1.10. Вместо него используйте y_score.

**kwargsdict

Дополнительные именованные аргументы, передаваемые функции matplotlib plot.

Возвращает:

displayDetCurveDisplay

Объект, хранящий вычисленные значения.

См. также

det_curve

Вычисляет частоты ошибок для различных порогов вероятности.

DetCurveDisplay.from_estimator

Строит кривую DET по оценивателю и данным.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> y_score = clf.decision_function(X_test)
>>> DetCurveDisplay.from_predictions(
...    y_test, y_score)
<...>
>>> plt.show()

plot(ax=None, *, name=None, **kwargs)[исходный код]

Визуализация графика.

Параметры:

axmatplotlib axes, default=None

Объект осей, на котором строится график. Если None, создаются новая фигура и оси.

namestr, default=None

Имя кривой DET для подписи. Если None, используется estimator_name, если оно не None; в противном случае подпись не отображается.

**kwargsdict

Дополнительные именованные аргументы, передаваемые функции matplotlib plot.

Возвращает:

displayDetCurveDisplay

Объект, хранящий вычисленные значения.

Примеры из галереи

Кривая компромисса ошибок обнаружения (DET)