Python sklearn precision_recall_curve用法及代码示例

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

用法:

sklearn.metrics.precision_recall_curve(y_true, probas_pred, *, pos_label=None, sample_weight=None)

针对不同的概率阈值计算precision-recall 对。

注意：此实现仅限于二进制分类任务。

精度是比率tp / (tp + fp)，其中tp 是真阳性数，fp 是假阳性数。精度直观地是分类器不将负样本标记为正样本的能力。

召回率是 tp / (tp + fn) 的比率，其中 tp 是真阳性数，fn 是假阴性数。召回率直观地是分类器找到所有正样本的能力。

最后的精度和召回值分别为 1. 和 0.，并且没有相应的阈值。这可确保图形从 y 轴开始。

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。

probas_pred：ndarray 形状 (n_samples,)

目标分数，可以是正类的概率估计，也可以是决策的非阈值度量(由 decision_function 在某些分类器上返回)。

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：

precision：ndarray 形状 (n_thresholds + 1,)

精度值，使得元素 i 是 score >= thresholds[i] 且最后一个元素为 1 的预测的精度。

recall：ndarray 形状 (n_thresholds + 1,)

减少召回值，使得元素 i 是分数 >= 阈值 [i] 的预测的召回，最后一个元素为 0。

thresholds：ndarray 形状(n_thresholds，)

增加用于计算精度和召回率的决策函数的阈值。 n_thresholds <= len(np.unique(probas_pred))。

例子：

>>> import numpy as np
>>> from sklearn.metrics import precision_recall_curve
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> precision, recall, thresholds = precision_recall_curve(
...     y_true, y_scores)
>>> precision
array([0.66666667, 0.5       , 1.        , 1.        ])
>>> recall
array([1. , 0.5, 0.5, 0. ])
>>> thresholds
array([0.35, 0.4 , 0.8 ])