metric_at_thresholds

sklearn.metrics.metric_at_thresholds(y_true, y_score, metric_func, *, sample_weight=None, metric_params=None)[source]

Вычисляет metric_func для каждого порога на бинарных данных.

Помогает визуализировать значения метрики при различных порогах во время настройки порога принятия решения.

Подробнее см. в руководстве пользователя.

Добавлено в версии 1.9.

Параметры:

y_trueмассивоподобный объект формы (n_samples,)

Истинные (правильные) целевые метки.

y_scoreмассивоподобный объект формы (n_samples,)

Непрерывные оценки предсказаний: либо оценённые вероятности положительного класса, либо результат работы decision_function.

metric_funcвызываемый объект

Используемая функция метрики. Она будет вызвана как metric_func(y_true, y_pred, **metric_params), где y_pred — предсказания, полученные с применением порога и вычисляемые внутри как y_pred = (y_score >= threshold). Результатом должно быть одно числовое значение или коллекция, все элементы которой имеют одинаковый размер.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию None

Веса объектов. Если значение не равно None, оно будет передано в metric_func.

metric_paramsсловарь, по умолчанию None

Параметры, передаваемые в metric_func.

Возвращает:

metric_valuesndarray формы (n_thresholds,) или (n_thresholds, *n_outputs)

Оценки, соответствующие каждому порогу. Если metric_func возвращает коллекцию (например, кортеж чисел с плавающей точкой), результатом будет двумерный массив формы (n_thresholds, *n_outputs).

thresholdsndarray формы (n_thresholds,)

Пороги, использованные для вычисления оценок.

См. также

confusion_matrix_at_thresholds

Вычисляет бинарную матрицу ошибок для каждого порога.

precision_recall_curve

Вычисляет пары значений точности и полноты для различных порогов вероятности.

det_curve

Вычисляет частоты ошибок для различных порогов вероятности.

roc_curve

Вычисляет ROC-кривую (кривую ошибок классификации).

Примеры

>>> import numpy as np
>>> from sklearn.metrics import accuracy_score, metric_at_thresholds
>>> y_true = np.array([0, 0, 1, 1])
>>> y_score = np.array([0.1, 0.4, 0.35, 0.8])
>>> metric_values, thresholds = metric_at_thresholds(
...     y_true, y_score, accuracy_score)
>>> thresholds
array([0.8 , 0.4 , 0.35, 0.1 ])
>>> metric_values
array([0.75, 0.5 , 0.75, 0.5 ])

Примеры в галерее

Основные нововведения scikit-learn 1.9