Python sklearn det_curve用法及代碼示例

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

用法:

sklearn.metrics.det_curve(y_true, y_score, pos_label=None, sample_weight=None)

計算不同概率閾值的錯誤率。

注意

該指標用於評估二進製分類任務的排名和錯誤權衡。

在用戶指南中閱讀更多信息。

參數：

y_true：ndarray 形狀 (n_samples,)

真正的二進製標簽。如果標簽不是 {-1, 1} 或 {0, 1}，則應明確給出 pos_label。

y_score：(n_samples，)形狀的ndarray

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)。

pos_label：int 或 str，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。

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

樣本權重。

返回：

fpr：ndarray 形狀(n_thresholds，)

假陽性率 (FPR) 使得元素 i 是分數 >= 閾值 [i] 的預測的假陽性率。這有時被稱為錯誤接受概率或fall-out。

fnr：ndarray 形狀(n_thresholds，)

假陰性率 (FNR)，使得元素 i 是分數 >= 閾值 [i] 的預測的假陰性率。這有時被稱為錯誤拒絕或未命中率。

thresholds：ndarray 形狀(n_thresholds，)

降低分數值。

例子：

>>> import numpy as np
>>> from sklearn.metrics import det_curve
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, fnr, thresholds = det_curve(y_true, y_scores)
>>> fpr
array([0.5, 0.5, 0. ])
>>> fnr
array([0. , 0.5, 0.5])
>>> thresholds
array([0.35, 0.4 , 0.8 ])