DetCurveDisplay

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

Визуализация кривой DET.

Рекомендуется использовать from_estimator или from_predictions для создания визуализатора. Все параметры сохраняются в качестве атрибутов.

Подробнее в Руководстве пользователя.

Добавлен в версии 0.24.

Параметры:

fprndarray

Вероятность ложного срабатывания.

fnrndarray

Вероятность ложного пропуска.

estimator_namestr, по умолчанию=None

Имя оцениваемой модели. Если None, имя модели не отображается.

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

Метка положительного класса.

Атрибуты:

line_matplotlib Artist

Кривая DET.

ax_matplotlib Axes

Оси с кривой DET.

figure_matplotlib Figure

Рисунок, содержащий кривую.

См. также

det_curve

Вычисление ошибок для различных пороговых значений вероятности.

DetCurveDisplay.from_estimator

Построение кривой DET по заданной модели и данным.

DetCurveDisplay.from_predictions

Построение кривой 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_pred = clf.decision_function(X_test)
>>> fpr, fnr, _ = det_curve(y_test, y_pred)
>>> display = DetCurveDisplay(
...     fpr=fpr, fnr=fnr, estimator_name="SVC"
... )
>>> display.plot()
<...>
>>> plt.show()

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

Построение кривой DET по заданной модели и данным.

Подробнее в Руководстве пользователя.

Добавлен в версии 1.0.

Параметры:

estimatorэкземпляр модели

Обученная модель классификации или обученная Pipeline, где последней моделью является классификатор.

X{array-like, разреженная матрица} формы (n_samples, n_features)

Входные значения.

yarray-like формы (n_samples,)

Целевые значения.

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

Веса выборок.

response_method{‘predict_proba’, ‘decision_function’, ‘auto’} по умолчанию=’auto’

Указывает, использовать predict_proba или decision_function в качестве предсказанного целевого ответа. Если задано ‘auto’, сначала используется predict_proba, а если она отсутствует, то используется decision_function.

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 произойдет ошибка.

namestr, по умолчанию=None

Название кривой DET для маркировки. Если None, используется имя модели.

axmatplotlib axes, по умолчанию=None

Объект осей для построения графика. Если None, создается новая фигура и оси.

**kwargsdict

Дополнительные ключевые аргументы, передаваемые в функцию matplotlib plot.

Возвращает:

displayDetCurveDisplay

Объект, хранящий вычисленные значения.

См. также

det_curve

Вычисление ошибок для различных пороговых значений вероятности.

DetCurveDisplay.from_predictions

Построение кривой 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_pred, *, sample_weight=None, pos_label=None, name=None, ax=None, **kwargs)[source]

Постройте кривую DET на основе истинных и предсказанных меток.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 1.0.

Параметры:

y_trueмассив-подобный формы (n_samples,)

Истинные метки.

y_predмассив-подобный формы (n_samples,)

Целевые оценки, могут быть оценками вероятности положительного класса, значениями уверенности или неоткалиброванной мерой решений (как возвращается decision_function некоторыми классификаторами).

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

Веса образцов.

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 выведено сообщение об ошибке.

namestr, по умолчанию=None

Имя кривой DET для маркировки. Если None, имя будет установлено в "Classifier".

axmatplotlib axes, по умолчанию=None

Объект осей для построения. Если None, создается новая фигура и оси.

**kwargsdict

Дополнительные ключевые аргументы, передаваемые функции matplotlib plot.

Возвращает:

displayDetCurveDisplay

Объект, хранящий вычисленные значения.

См. также

det_curve

Вычисление ошибок для разных пороговых значений вероятности.

DetCurveDisplay.from_estimator

Построение кривой DET с использованием оценщика и некоторых данных.

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_pred = clf.decision_function(X_test)
>>> DetCurveDisplay.from_predictions(
...    y_test, y_pred)
<...>
>>> plt.show()

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

Построение визуализации.

Параметры:

axmatplotlib axes, по умолчанию=None

Объект осей для построения. Если None, создается новая фигура и оси.

namestr, по умолчанию=None

Имя кривой DET для маркировки. Если None, используется estimator_name если это не None, в противном случае маркировка не отображается.

**kwargsdict

Дополнительные ключевые аргументы, передаваемые функции matplotlib plot.

Возвращает:

displayDetCurveDisplay

Объект, хранящий вычисленные значения.

Примеры из галереи

Кривая ошибок детектирования (DET)