RocCurveDisplay

классsklearn.metrics.RocCurveDisplay(*, fpr, tpr, roc_auc=None, estimator_name=None, pos_label=None)[source]

Визуализация кривой ROC.

Рекомендуется использовать from_estimator или from_predictions для создания RocCurveDisplay. Все параметры сохраняются в виде атрибутов.

Дополнительная информация в Руководстве пользователя.

Параметры:

fprndarray

Вероятность ложного срабатывания.

tprndarray

Вероятность истинно положительного срабатывания.

roc_aucfloat, default=None

Площадь под кривой ROC. Если None, то значение roc_auc не отображается.

estimator_namestr, default=None

Имя оценщика. Если None, то имя оценщика не отображается.

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

Класс, рассматриваемый как положительный при вычислении метрики roc auc. По умолчанию, estimators.classes_[1] рассматривается как положительный класс.

Добавлена в версии 0.24.

Атрибуты:

line_matplotlib Artist

Кривая ROC.

chance_level_matplotlib Artist или None

Линия уровня случайности. Она равна None если уровень случайности не нарисован.

Добавлена в версии 1.3.

ax_matplotlib Axes

Оси с кривой ROC.

figure_matplotlib Figure

Диаграмма, содержащая кривую.

См. также

roc_curve

Вычисление кривой ROC (Receiver operating characteristic).

RocCurveDisplay.from_estimator

Построение кривой ROC (Receiver Operating Characteristic) на основе оценщика и данных.

RocCurveDisplay.from_predictions

Построение кривой ROC (Receiver Operating Characteristic) на основе истинных и предсказанных значений.

roc_auc_score

Вычисление площади под кривой ROC.

Примеры

>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([0, 0, 1, 1])
>>> pred = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, pred)
>>> roc_auc = metrics.auc(fpr, tpr)
>>> display = metrics.RocCurveDisplay(fpr=fpr, tpr=tpr, roc_auc=roc_auc,
...                                   estimator_name='example estimator')
>>> 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, plot_chance_level=False, chance_level_kw=None, despine=False, **kwargs)[source]

Создание отображения кривой ROC из оценщика.

Параметры:

estimatorэкземпляр оценщика

Обученный классификатор или обученный Pipeline, в котором последним оценщиком является классификатор.

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

Входные значения.

yarray-like размера (n_samples,)

Значения целевой переменной.

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

Веса образцов.

drop_intermediatebool, по умолчанию=True

Определяет, нужно ли отбрасывать некоторые неэффективные пороговые значения, которые не будут отображаться на графике кривой ROC. Это полезно для создания более легких кривых ROC.

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.

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

Класс, рассматриваемый как положительный при вычислении метрики roc auc. По умолчанию, estimators.classes_[1] рассматривается как положительный класс.

namestr, по умолчанию=None

Имя кривой ROC для маркировки. Если None, используется имя оценщика.

axmatplotlib axes, по умолчанию=None

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

plot_chance_levelbool, по умолчанию=False

Определяет, нужно ли строить линию случайного уровня.

Добавлена в версии 1.3.

chance_level_kwdict, по умолчанию=None

Ключевые аргументы, которые необходимо передать методу plot matplotlib для отрисовки линии случайного уровня.

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 методу plot matplotlib.

Возвращает:

displayRocCurveDisplay

Отображение кривой ROC.

См. также

roc_curve

Вычисление кривой ROC (Receiver operating characteristic).

RocCurveDisplay.from_predictions

Визуализация кривой ROC на основе вероятностей результатов классификатора.

roc_auc_score

Вычисление площади под кривой ROC.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import RocCurveDisplay
>>> 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).fit(X_train, y_train)
>>> RocCurveDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()

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

Построение кривой ROC по заданным истинным и предсказанным значениям.

Дополнительные сведения см. в Руководстве пользователя.

Добавлена в версии 1.0.

Параметры:

y_truearray-like формы (n_samples,)

Истинные метки.

y_predarray-like формы (n_samples,)

Целевые оценки, могут представлять собой оценки вероятности положительного класса, значения достоверности или не пороговые значения решений (как возвращает «decision_function» некоторых классификаторов).

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

Веса образцов.

drop_intermediatebool, по умолчанию=True

Определяет, нужно ли отбрасывать некоторые не оптимальные пороги, которые не появятся на построенной кривой ROC. Это полезно для создания более легких кривых ROC.

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 выброшено исключение.

namestr, по умолчанию=None

Имя кривой ROC 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.

plot_chance_levelbool, по умолчанию=False

Определяет, нужно ли строить уровень случайности.

Добавлена в версии 1.3.

chance_level_kwdict, по умолчанию=None

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

Добавлена в версии 1.3.

despinebool, по умолчанию=False

Определяет, нужно ли удалить верхние и правые отметки с графика.

Добавлена в версии 1.6.

**kwargsdict

Дополнительные ключевые аргументы, передаваемые в функцию matplotlib plot.

Возвращаемые значения:

displayRocCurveDisplay

Объект, хранящий вычисленные значения.

См. также

roc_curve

Вычисление кривой ROC (Receiver operating characteristic).

RocCurveDisplay.from_estimator

Визуализация кривой ROC с помощью оценщика и некоторых данных.

roc_auc_score

Вычисление площади под кривой ROC.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import RocCurveDisplay
>>> 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).fit(X_train, y_train)
>>> y_pred = clf.decision_function(X_test)
>>> RocCurveDisplay.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. Если None, создается новая фигура и оси.

namestr, по умолчанию=None

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

plot_chance_levelbool, по умолчанию=False

Определяет, нужно ли строить уровень случайности.

Добавлена в версии 1.3.

chance_level_kwdict, по умолчанию=None

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

Добавлена в версии 1.3.

despinebool, по умолчанию=False

Определяет, нужно ли удалить верхние и правые отметки с графика.

Добавлена в версии 1.6.

**kwargsdict

Ключевые аргументы, передаваемые в plot matplotlib.

Возвращаемые значения:

displayRocCurveDisplay

Объект, хранящий вычисленные значения.