PrecisionRecallDisplay

classsklearn.metrics.PrecisionRecallDisplay(precision, recall, *, average_precision=None, estimator_name=None, pos_label=None, prevalence_pos_label=None)[source]

Визуализация точности и полноты.

Рекомендуется использовать from_estimator или from_predictions для создания PrecisionRecallDisplay. Все параметры хранятся в качестве атрибутов.

Подробнее см. в Руководстве пользователя.

Параметры:

precisionndarray

Значения точности.

recallndarray

Значения полноты.

average_precisionfloat, default=None

Средняя точность. Если None, средняя точность не отображается.

estimator_namestr, default=None

Имя оценщика. Если None, имя оценщика не отображается.

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

Класс, рассматриваемый как положительный класс. Если None, класс не будет отображаться в легенде.

Добавлен в версии 0.24.

prevalence_pos_labelfloat, default=None

Распространённость положительного класса. Используется для построения линии уровня случайности. Если None, линия уровня случайности не будет построена, даже если plot_chance_level установлено в True при построении.

Добавлен в версии 1.3.

Атрибуты:

line_matplotlib Artist

Кривая точности и полноты.

chance_level_matplotlib Artist или None

Линия уровня случайности. Она является None если линия уровня случайности не отображается.

Добавлен в версии 1.3.

ax_matplotlib Axes

Ось с кривой точности и полноты.

figure_matplotlib Figure

Рисунок, содержащий кривую.

См. также

precision_recall_curve

Вычисление пар точности-полноты для различных пороговых значений вероятности.

PrecisionRecallDisplay.from_estimator

Построение кривой точности и полноты, заданной бинарным классификатором.

PrecisionRecallDisplay.from_predictions

Построение кривой точности и полноты с использованием прогнозов от бинарного классификатора.

Примечания

Средняя точность (см. average_precision_score) в scikit-learn вычисляется без какой-либо интерполяции. Для согласованности с этой метрикой кривая точности-полноты также строится без интерполяции (ступенчатый стиль).

Вы можете изменить этот стиль, передав ключевой аргумент drawstyle="default" в plot, from_estimator или from_predictions. Однако кривая не будет строго согласованной с сообщаемой средней точностью.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import (precision_recall_curve,
...                              PrecisionRecallDisplay)
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y,
...                                                     random_state=0)
>>> clf = SVC(random_state=0)
>>> clf.fit(X_train, y_train)
SVC(random_state=0)
>>> predictions = clf.predict(X_test)
>>> precision, recall, _ = precision_recall_curve(y_test, predictions)
>>> disp = PrecisionRecallDisplay(precision=precision, recall=recall)
>>> disp.plot()
<...>
>>> plt.show()

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

Построение кривой точности-полноты на основе оценщика и данных.

Параметры:

estimatorэкземпляр оценщика

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

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

Входные значения.

yarray-like размера (n_samples,)

Целевые значения.

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

Веса выборок.

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

Класс, рассматриваемый как положительный при вычислении точности и полноты. По умолчанию, estimators.classes_[1] считается положительным классом.

drop_intermediatebool, по умолчанию=False

Удалить некоторые неэффективные пороговые значения, которые не будут отображаться на графике точности-полноты. Это полезно для создания более легких графиков точности-полноты.

Добавлена в версии 1.3.

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

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

namestr, по умолчанию=None

Название для маркировки кривой. Если None, имя не используется.

axmatplotlib axes, по умолчанию=None

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

plot_chance_levelbool, по умолчанию=False

Отображать ли уровень случайности. Уровень случайности — это распространённость положительной метки, вычисленная из данных, переданных во время вызова from_estimator или from_predictions.

Добавлена в версии 1.3.

chance_level_kwdict, по умолчанию=None

Ключевые аргументы, передаваемые в matplotlib’s plot для отображения линии уровня случайности.

Добавлена в версии 1.3.

despinebool, по умолчанию=False

Удалить ли верхние и правые оси графика.

Добавлена в версии 1.6.

**kwargsdict

Ключевые аргументы, передаваемые в matplotlib’s plot.

Возвращает:

displayPrecisionRecallDisplay

См. также

PrecisionRecallDisplay.from_predictions

Построение кривой точности-полноты на основе оценённых вероятностей или выходных данных функции принятия решений.

Примечания

Средняя точность (см. average_precision_score) в scikit-learn вычисляется без интерполяции. Для согласованности с этой метрикой, кривая точности-полноты также строится без интерполяции (пошаговый стиль).

Можно изменить этот стиль, передав ключевой аргумент drawstyle="default". Однако кривая не будет строго согласованной с отчётной средней точностью.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import PrecisionRecallDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...         X, y, random_state=0)
>>> clf = LogisticRegression()
>>> clf.fit(X_train, y_train)
LogisticRegression()
>>> PrecisionRecallDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()

classmethodfrom_predictions(y_true, y_pred, *, sample_weight=None, pos_label=None, drop_intermediate=False, name=None, ax=None, plot_chance_level=False, chance_level_kw=None, despine=False, **kwargs)[source]

Построение кривой точности-полноты для бинарных классификаций на основе предсказаний.

Параметры:

y_truearray-like формы (n_samples,)

Истинные бинарные метки.

y_predarray-like формы (n_samples,)

Оценённые вероятности или результат функции принятия решений.

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

Веса образцов.

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

Класс, рассматриваемый как положительный при вычислении точности и полноты.

drop_intermediatebool, по умолчанию=False

Выбрасывать ли некоторые подмножества порогов, которые не появятся на построенной кривой точности-полноты. Это полезно для создания более лёгких кривых точности-полноты.

Добавлен в версии 1.3.

namestr, по умолчанию=None

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

axmatplotlib axes, по умолчанию=None

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

plot_chance_levelbool, по умолчанию=False

Отображать ли уровень случайности. Уровень случайности — это распространённость положительной метки, вычисленной из данных, переданных во время вызова from_estimator или from_predictions.

Добавлен в версии 1.3.

chance_level_kwdict, по умолчанию=None

Ключевые аргументы, которые нужно передать в plot matplotlib для рендеринга линии уровня случайности.

Добавлен в версии 1.3.

despinebool, по умолчанию=False

Удалять ли верхние и правые оси графика.

Добавлен в версии 1.6.

**kwargsdict

Ключевые аргументы, которые нужно передать в plot matplotlib.

Возвращаемое значение:

displayPrecisionRecallDisplay

См. также

PrecisionRecallDisplay.from_estimator

Построение кривой точности-полноты с помощью оценщика.

Примечания

Средняя точность (см. average_precision_score) в scikit-learn вычисляется без интерполяции. Для согласованности с этой метрикой кривая точности-полноты также строится без интерполяции (ступенчатый стиль).

Вы можете изменить этот стиль, передав ключевой аргумент drawstyle="default". Однако кривая не будет строго соответствовать рассчитанной средней точности.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import PrecisionRecallDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...         X, y, random_state=0)
>>> clf = LogisticRegression()
>>> clf.fit(X_train, y_train)
LogisticRegression()
>>> y_pred = clf.predict_proba(X_test)[:, 1]
>>> PrecisionRecallDisplay.from_predictions(
...    y_test, y_pred)
<...>
>>> plt.show()

plot(ax=None, *, name=None, plot_chance_level=False, chance_level_kw=None, despine=False, **kwargs)[source]

Построение визуализации.

Дополнительные ключевые аргументы будут переданы в matplotlib’s plot.

Параметры:

axMatplotlib Axes, по умолчанию=None

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

namestr, по умолчанию=None

Имя кривой точности-полноты для маркировки. Если None, использовать estimator_name если не None, иначе маркировка не отображается.

plot_chance_levelbool, по умолчанию=False

Отображать ли уровень случайности. Уровень случайности — это распространённость положительной метки, вычисленной из данных, переданных во время вызова from_estimator или from_predictions.

Добавлен в версии 1.3.

chance_level_kwdict, по умолчанию=None

Ключевые аргументы, которые нужно передать в plot matplotlib для рендеринга линии уровня случайности.

Добавлен в версии 1.3.

despinebool, по умолчанию=False

Удалять ли верхние и правые оси графика.

Добавлен в версии 1.6.

**kwargsdict

Ключевые аргументы, которые нужно передать в plot matplotlib.

Возвращаемое значение:

displayPrecisionRecallDisplay

Объект, хранящий вычисленные значения.

Примечания

Средняя точность (см. average_precision_score) в scikit-learn вычисляется без интерполяции. Для согласованности с этой метрикой кривая точности-полноты также строится без интерполяции (ступенчатый стиль).

Вы можете изменить этот стиль, передав ключевой аргумент drawstyle="default". Однако кривая не будет строго соответствовать рассчитанной средней точности.