Python sklearn det_curve用法及代码示例

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

用法:

sklearn.metrics.det_curve(y_true, y_score, pos_label=None, sample_weight=None)

计算不同概率阈值的错误率。

注意

该指标用于评估二进制分类任务的排名和错误权衡。

在用户指南中阅读更多信息。

参数：

y_true：ndarray 形状 (n_samples,)

真正的二进制标签。如果标签不是 {-1, 1} 或 {0, 1}，则应明确给出 pos_label。

y_score：(n_samples，)形状的ndarray

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)。

pos_label：int 或 str，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。

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

样本权重。

返回：

fpr：ndarray 形状(n_thresholds，)

假阳性率 (FPR) 使得元素 i 是分数 >= 阈值 [i] 的预测的假阳性率。这有时被称为错误接受概率或fall-out。

fnr：ndarray 形状(n_thresholds，)

假阴性率 (FNR)，使得元素 i 是分数 >= 阈值 [i] 的预测的假阴性率。这有时被称为错误拒绝或未命中率。

thresholds：ndarray 形状(n_thresholds，)

降低分数值。

例子：

>>> import numpy as np
>>> from sklearn.metrics import det_curve
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, fnr, thresholds = det_curve(y_true, y_scores)
>>> fpr
array([0.5, 0.5, 0. ])
>>> fnr
array([0. , 0.5, 0.5])
>>> thresholds
array([0.35, 0.4 , 0.8 ])