Python sklearn DetCurveDisplay.from_estimator用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.DetCurveDisplay.from_estimator 的用法。

用法:

classmethod from_estimator(estimator, X, y, *, sample_weight=None, response_method='auto', pos_label=None, name=None, ax=None, **kwargs)

在給定估計器和數據的情況下繪製 DET 曲線。

在用戶指南中閱讀更多信息。

參數：

estimator：估計器實例

擬合分類器或擬合 Pipeline ，其中最後一個估計器是分類器。

X：{類數組，稀疏矩陣}，形狀為 (n_samples, n_features)

輸入值。

y：形狀類似數組 (n_samples,)

目標值。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

response_method：{‘predict_proba’, ‘decision_function’, ‘auto’} 默認='自動'

指定是使用predict_proba 還是decision_function 作為預測的目標響應。如果設置為‘auto’，則首先嘗試predict_proba，如果不存在，則接下來嘗試decision_function。

pos_label：str 或 int，默認 = 無

正類的標簽。當 pos_label=None 時，如果 y_true 在 {-1, 1} 或 {0, 1} 中，則 pos_label 設置為 1，否則將引發錯誤。

name：str，默認=無

用於標注的 DET 曲線名稱。如果 None ，使用估計器的名稱。

ax：matplotlib 軸，默認=無

要繪製的軸對象。如果 None ，則創建一個新的圖形和軸。

**kwargs：dict

傳遞給 matplotlib plot 函數的其他關鍵字參數。

返回：

display：DetCurveDisplay

存儲計算值的對象。

例子：

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import DetCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(n_samples=1000, random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> DetCurveDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()