Python sklearn PrecisionRecallDisplay.from_estimator用法及代碼示例

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

用法:

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

在給定估計器和一些數據的情況下繪製precision-recall 曲線。

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。

pos_label：str 或 int，默認 = 無

在計算精度和召回指標時，該類被視為正類。默認情況下，estimators.classes_[1] 被視為正類。

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

指定是使用predict_proba 還是decision_function 作為目標響應。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。

name：str，默認=無

標記曲線的名稱。如果 None ，則不使用名稱。

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

要傳遞給 matplotlib 的 plot 的關鍵字參數。

返回：

display：PrecisionRecallDisplay

例子：

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