Python sklearn plot_roc_curve用法及代码示例

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

用法:

sklearn.metrics.plot_roc_curve(estimator, X, y, *, sample_weight=None, drop_intermediate=True, response_method='auto', name=None, ax=None, pos_label=None, **kwargs)

已弃用：函数 plot_roc_curve 在 1.0 中已弃用，并将在 1.2 中删除。使用类方法之一： sklearn.metric.RocCurveDisplay.from_predictions 或 sklearn.metric.RocCurveDisplay.from_estimator 。

绘制接收器操作特征 (ROC) 曲线。

额外的关键字参数将传递给 matplotlib 的 plot 。

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。

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。

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

指定是使用predict_proba 还是decision_function 作为目标响应。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。

name：str，默认=无

用于标注的 ROC 曲线的名称。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。

pos_label：str 或 int，默认 = 无

在计算 roc auc 指标时被认为是正类的类。默认情况下，estimators.classes_[1] 被视为正类。

**kwargs：dict

传递给 matplotlib plot 函数的其他关键字参数。

返回：

display：sklearn.metrics.RocCurveDisplay

存储计算值的对象。

例子：

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