Python cuml.metrics.precision_recall_curve用法及代码示例

用法: cuml.metrics.precision_recall_curve(y_true, probs_pred) → Tuple[cuml.common.array.CumlArray, cuml.common.array.CumlArray, cuml.common.array.CumlArray]

针对不同的概率阈值计算precision-recall 对

注意

此实现仅限于二进制分类任务。精度是比率tp / (tp + fp)，其中tp 是真阳性数，fp 是假阳性数。精度直观地是分类器不将负样本标记为正样本的能力。

召回率是 tp / (tp + fn) 的比率，其中 tp 是真阳性数，fn 是假阴性数。召回率直观地是分类器找到所有正样本的能力。最后的精度和召回值分别为 1. 和 0.，并且没有相应的阈值。这可确保图形从 y 轴开始。

阅读 scikit-learn 的 User Guide 了解更多信息。

参数：

y_true：数组，形状 = [n_samples]: 真正的二进制标签，{0, 1}。
probas_pred：数组，形状 = [n_samples]: 估计的概率或决策函数。

precision：数组，形状 = [n_thresholds + 1]: 精度值，使得元素 i 是 score >= thresholds[i] 且最后一个元素为 1 的预测的精度。
recall：数组，形状 = [n_thresholds + 1]: 减少召回值，使得元素 i 是分数 >= 阈值 [i] 的预测的召回，最后一个元素为 0。
thresholds：数组，形状 = [n_thresholds <= len(np.unique(probas_pred))]: 增加用于计算精度和召回率的决策函数的阈值。

例子：

import numpy as np
from cuml.metrics import precision_recall_curve
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
precision, recall, thresholds = precision_recall_curve(
    y_true, y_scores)
print(precision)
print(recall)
print(thresholds)

输出：

array([0.66666667, 0.5       , 1.        , 1.        ])
array([1. , 0.5, 0.5, 0. ])
array([0.35, 0.4 , 0.8 ])

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.metrics.precision_recall_curve。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：