Python sklearn plot_roc_curve用法及代碼示例

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

用法:

sklearn.metrics.plot_roc_curve(estimator, X, y, *, sample_weight=None, drop_intermediate=True, response_method='auto', name=None, ax=None, pos_label=None, **kwargs)

已棄用：函數 plot_roc_curve 在 1.0 中已棄用，並將在 1.2 中刪除。使用類方法之一： sklearn.metric.RocCurveDisplay.from_predictions 或 sklearn.metric.RocCurveDisplay.from_estimator 。

繪製接收器操作特征 (ROC) 曲線。

額外的關鍵字參數將傳遞給 matplotlib 的 plot 。

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。

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。

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

用於標注的 ROC 曲線的名稱。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。

pos_label：str 或 int，默認 = 無

在計算 roc auc 指標時被認為是正類的類。默認情況下，estimators.classes_[1] 被視為正類。

**kwargs：dict

傳遞給 matplotlib plot 函數的其他關鍵字參數。

返回：

display：sklearn.metrics.RocCurveDisplay

存儲計算值的對象。

例子：

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