DET 曲線#

sklearn.metrics.det_curve(y_true, y_score, pos_label=None, sample_weight=None)[原始碼]#

計算不同機率閾值的錯誤率。

注意

此指標用於評估二元分類任務的排名和錯誤權衡。

請在使用者指南中閱讀更多內容。

於 0.24 版新增。

參數:
y_true形狀為 (n_samples,) 的 ndarray

真實二元標籤。如果標籤不是 {-1, 1} 或 {0, 1}，則應明確給定 pos_label。

y_score形狀為 (n_samples,) 的 ndarray

目標分數，可以是正類別的機率估計值、信賴度值或未閾值化的決策量度（由某些分類器上的「decision_function」傳回）。

pos_labelint、float、bool 或 str，預設值為 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，否則會引發錯誤。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

樣本權重。

傳回:
fpr形狀為 (n_thresholds,) 的 ndarray

偽陽性率 (FPR)，使得元素 i 為分數 >= thresholds[i] 的預測的偽陽性率。這偶爾會被稱為錯誤接受機率或失效。

fnr形狀為 (n_thresholds,) 的 ndarray

偽陰性率 (FNR)，使得元素 i 為分數 >= thresholds[i] 的預測的偽陰性率。這偶爾會被稱為錯誤拒絕或錯失率。

thresholds形狀為 (n_thresholds,) 的 ndarray

遞減分數值。

另請參閱

DetCurveDisplay.from_estimator

繪製給定估計器和某些資料的 DET 曲線。

DetCurveDisplay.from_predictions

繪製給定真實標籤和預測標籤的 DET 曲線。

DetCurveDisplay

DET 曲線視覺化。

roc_curve

計算接收者操作特徵 (ROC) 曲線。

precision_recall_curve

計算精確度-召回率曲線。

範例

>>> 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 ])