Python sklearn RocCurveDisplay.from_predictions用法及代码示例

本文简要介绍python语言中 sklearn.metrics.RocCurveDisplay.from_predictions 的用法。

用法:

classmethod from_predictions(y_true, y_pred, *, sample_weight=None, drop_intermediate=True, pos_label=None, name=None, ax=None, **kwargs)

在给定真实值和预测值的情况下绘制 ROC 曲线。

在用户指南中阅读更多信息。

参数：

y_true：形状类似数组 (n_samples,)

真正的标签。

y_pred：形状类似数组 (n_samples,)

目标分数，可以是正类的概率估计、置信度值或决策的非阈值度量(如在某些分类器上由 “decision_function” 返回)。

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

样本权重。

drop_intermediate：布尔，默认=真

是否删除一些不会出现在绘制的 ROC 曲线上的次优阈值。这对于创建更轻的 ROC 曲线很有用。

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 ROC 曲线的名称。如果 None ，名称将设置为 "Classifier" 。

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：sklearn.metrics.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 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()