Python sklearn DetCurveDisplay.from_estimator用法及代码示例

本文简要介绍python语言中 sklearn.metrics.DetCurveDisplay.from_estimator 的用法。

用法:

classmethod from_estimator(estimator, X, y, *, sample_weight=None, response_method='auto', pos_label=None, name=None, ax=None, **kwargs)

在给定估计器和数据的情况下绘制 DET 曲线。

在用户指南中阅读更多信息。

参数：

estimator：估计器实例

拟合分类器或拟合 Pipeline ，其中最后一个估计器是分类器。

X：{类数组，稀疏矩阵}，形状为 (n_samples, n_features)

输入值。

y：形状类似数组 (n_samples,)

目标值。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

response_method：{‘predict_proba’, ‘decision_function’, ‘auto’} 默认='自动'

指定是使用predict_proba 还是decision_function 作为预测的目标响应。如果设置为‘auto’，则首先尝试predict_proba，如果不存在，则接下来尝试decision_function。

pos_label：str 或 int，默认 = 无

正类的标签。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中，则 pos_label 设置为 1，否则将引发错误。

name：str，默认=无

用于标注的 DET 曲线名称。如果 None ，使用估计器的名称。

ax：matplotlib 轴，默认=无

要绘制的轴对象。如果 None ，则创建一个新的图形和轴。

**kwargs：dict

传递给 matplotlib plot 函数的其他关键字参数。

返回：

display：DetCurveDisplay

存储计算值的对象。

例子：

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> DetCurveDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()