Python sklearn RocCurveDisplay.from_predictions用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.RocCurveDisplay.from_predictions 的用法。

用法:

classmethod from_predictions(y_true, y_pred, *, sample_weight=None, drop_intermediate=True, pos_label=None, name=None, ax=None, **kwargs)

在給定真實值和預測值的情況下繪製 ROC 曲線。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀類似數組 (n_samples,)

真正的標簽。

y_pred：形狀類似數組 (n_samples,)

目標分數，可以是正類的概率估計、置信度值或決策的非閾值度量(如在某些分類器上由 “decision_function” 返回)。

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

樣本權重。

drop_intermediate：布爾，默認=真

是否刪除一些不會出現在繪製的 ROC 曲線上的次優閾值。這對於創建更輕的 ROC 曲線很有用。

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 ROC 曲線的名稱。如果 None ，名稱將設置為 "Classifier" 。

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：sklearn.metrics.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 RocCurveDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, random_state=0)
>>> clf = SVC(random_state=0).fit(X_train, y_train)
>>> y_pred = clf.decision_function(X_test)
>>> RocCurveDisplay.from_predictions(
...    y_test, y_pred)
<...>
>>> plt.show()