roc_curve

sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True)[source]

Вычислить кривую ошибок (ROC).

Примечание: эта реализация ограничена задачей бинарной классификации.

Подробнее в Руководстве пользователя.

Параметры:

y_trueмассив-подобный формы (n_samples,)

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

y_scoreмассив-подобный формы (n_samples,)

Целевые оценки, могут представлять собой оценки вероятности положительного класса, значения уверенности или не порождённые меры решений (как возвращается «decision_function» для 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 выведено сообщение об ошибке.

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

Веса образцов.

drop_intermediatebool, по умолчанию=True

Удалять ли некоторые не оптимальные пороговые значения, которые не будут отображаться на построенной кривой ROC. Это полезно для создания более лёгких кривых ROC.

Добавлен в версии 0.17: параметр drop_intermediate.

Возвращаемые значения:

fprмассив-подобный формы (>2,)

Увеличение ложноположительных показателей, такие, что элемент i является ложноположительным показателем прогнозов со счетом >= thresholds[i].

tprмассив-подобный формы (>2,)

Увеличение истинноположительных показателей, такие, что элемент i является истинноположительным показателем прогнозов со счетом >= thresholds[i].

thresholdsмассив-подобный формы (n_thresholds,)

Убывающие пороги по функции принятия решений, используемой для вычисления fpr и tpr. thresholds[0] представляет отсутствие предсказанных экземпляров и условно устанавливается в np.inf.

См. также

RocCurveDisplay.from_estimator

Построение кривой ошибок (ROC) на основе оценщика и некоторых данных.

RocCurveDisplay.from_predictions

Построение кривой ошибок (ROC) на основе истинных и предсказанных значений.

det_curve

Вычисление ошибок для разных пороговых значений вероятностей.

roc_auc_score

Вычислить площадь под кривой ROC.

Примечания

Поскольку пороги отсортированы от низких к высоким значениям, они инвертируются при возвращении, чтобы гарантировать, что они соответствуют как fpr, так и tpr, которые отсортированы в обратном порядке во время их вычисления.

Произвольно добавляется порог для случая tpr=0 и fpr=0, чтобы гарантировать, что кривая начинается с (0, 0). Этот порог соответствует np.inf.

Справочники

[1]

Запись Википедии о кривой ошибок (ROC)

[2]

Fawcett T. Введение в анализ ROC[J]. Pattern Recognition Letters, 2006, 27(8):861-874.

Примеры

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
>>> fpr
array([0. , 0. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([ inf, 0.8 , 0.4 , 0.35, 0.1 ])

Примеры галереи

Моделирование распределения видов

Визуализации с объектами отображения

Кривая DET (торгового баланса ошибок обнаружения)

Многоклассовая кривая ошибок (ROC)