当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


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_predictionssklearn.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。

namestr,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。

axmatplotlib 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_labelstr 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。

**kwargsdict

传递给 matplotlib plot 函数的其他关键字参数。

返回

displaysklearn.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()
sklearn-metrics-plot_roc_curve-1.png

相关用法


注:本文由纯净天空筛选整理自scikit-learn.org大神的英文原创作品 sklearn.metrics.plot_roc_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。