precision_recall_curve#
- sklearn.metrics.precision_recall_curve(y_true, y_score=None, *, pos_label=None, sample_weight=None, drop_intermediate=False, probas_pred='deprecated')[原始碼]#
計算不同機率閾值下的精確率-召回率配對。
注意：此實作僅限於二元分類任務。
精確率是
tp / (tp + fp)的比率，其中tp是真正例的數量，而fp是偽正例的數量。從直觀上來說，精確率是分類器不將負樣本標記為正樣本的能力。召回率是
tp / (tp + fn)的比率，其中tp是真正例的數量，而fn是偽負例的數量。從直觀上來說，召回率是分類器找到所有正樣本的能力。最後一個精確率和召回率的值分別為 1. 和 0.，並且沒有對應的閾值。這確保了圖形從 y 軸開始。
第一個精確率和召回率的值分別為 precision=類別平衡和 recall=1.0，這對應於始終預測正類別的分類器。
在使用者指南中閱讀更多資訊。
- 參數:
- y_true形狀為 (n_samples,) 的類陣列
真實二元標籤。如果標籤不是 {-1, 1} 或 {0, 1}，則應明確給出 pos_label。
- y_score形狀為 (n_samples,) 的類陣列
目標分數，可以是正類別的機率估計值，也可以是不加閾值的決策衡量標準（由某些分類器的
decision_function返回）。- pos_labelint、float、bool 或 str，預設為 None
正類別的標籤。當
pos_label=None時，如果 y_true 在 {-1, 1} 或 {0, 1} 中，則pos_label設定為 1，否則將引發錯誤。- sample_weight形狀為 (n_samples,) 的類陣列，預設為 None
樣本權重。
- drop_intermediatebool，預設為 False
是否捨棄一些次優的閾值，這些閾值不會出現在繪製的精確率-召回率曲線上。這對於建立更輕量的精確率-召回率曲線很有用。
在 1.3 版本中新增。
- probas_pred形狀為 (n_samples,) 的類陣列
目標分數，可以是正類別的機率估計值，也可以是不加閾值的決策衡量標準（由某些分類器的
decision_function返回）。自 1.5 版本起已棄用：
probas_pred已棄用，將在 1.7 版本中移除。請改用y_score。
- 返回:
- precision形狀為 (n_thresholds + 1,) 的 ndarray
精確率值，使得元素 i 是分數 >= thresholds[i] 的預測的精確率，最後一個元素是 1。
- recall形狀為 (n_thresholds + 1,) 的 ndarray
遞減的召回率值，使得元素 i 是分數 >= thresholds[i] 的預測的召回率，最後一個元素是 0。
- thresholds形狀為 (n_thresholds,) 的 ndarray
用於計算精確率和召回率的決策函數上的遞增閾值，其中
n_thresholds = len(np.unique(probas_pred))。
另請參閱
PrecisionRecallDisplay.from_estimator繪製給定二元分類器的精確率-召回率曲線。
PrecisionRecallDisplay.from_predictions使用二元分類器的預測繪製精確率-召回率曲線。
average_precision_scoreaverage_precision_score
det_curve從預測分數計算平均精確率。
roc_curveroc_curve
範例
>>> import numpy as np >>> from sklearn.metrics import precision_recall_curve >>> y_true = np.array([0, 0, 1, 1]) >>> y_scores = np.array([0.1, 0.4, 0.35, 0.8]) >>> precision, recall, thresholds = precision_recall_curve( ... y_true, y_scores) >>> precision array([0.5 , 0.66666667, 0.5 , 1. , 1. ]) >>> recall array([1. , 1. , 0.5, 0.5, 0. ]) >>> thresholds array([0.1 , 0.35, 0.4 , 0.8 ])
