RocCurveDisplay#

class sklearn.metrics.RocCurveDisplay(*, fpr, tpr, roc_auc=None, estimator_name=None, pos_label=None)#

ROC曲线可视化。

建议使用 from_estimator 或 from_predictions 来创建一个 RocCurveDisplay 。所有参数都存储为属性。

更多信息请参阅用户指南。

Parameters:

fprndarray: 假阳性率。
tprndarray: 真阳性率。
roc_aucfloat, 默认=None: ROC曲线下的面积。如果为None，则不显示roc_auc分数。
estimator_namestr, 默认=None: 估计器的名称。如果为None，则不显示估计器名称。
pos_labelint, float, bool 或 str, 默认=None: 在计算roc auc指标时被视为正类的类别。默认情况下， estimators.classes_[1] 被视为正类。

Added in version 0.24.

Attributes:

line_matplotlib Artist: ROC曲线。
chance_level_matplotlib Artist 或 None: 机会水平线。如果未绘制机会水平线，则为 None 。

Added in version 1.3.
ax_matplotlib Axes: 带有ROC曲线的Axes。
figure_matplotlib Figure: 包含曲线的Figure。

See also

roc_curve: 计算接收者操作特征（ROC）曲线。
RocCurveDisplay.from_estimator: 给定一个估计器和一些数据，绘制接收者操作特征（ROC）曲线。
RocCurveDisplay.from_predictions: 给定真实值和预测值，绘制接收者操作特征（ROC）曲线。
roc_auc_score: 计算ROC曲线下的面积。

Examples

>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([0, 0, 1, 1])
>>> pred = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, pred)
>>> roc_auc = metrics.auc(fpr, tpr)
>>> display = metrics.RocCurveDisplay(fpr=fpr, tpr=tpr, roc_auc=roc_auc,
...                                   estimator_name='example estimator')
>>> display.plot()
<...>
>>> plt.show()

../../_images/sklearn-metrics-RocCurveDisplay-1.png

classmethod from_estimator(estimator, X, y, *, sample_weight=None, drop_intermediate=True, response_method='auto', pos_label=None, name=None, ax=None, plot_chance_level=False, chance_level_kw=None, **kwargs)#

创建一个从估计器生成的ROC曲线显示。

Parameters:

estimator估计器实例: 拟合的分类器或拟合的 Pipeline ，其中最后一个估计器是分类器。
X{array-like, sparse matrix} 形状为 (n_samples, n_features): 输入值。
yarray-like 形状为 (n_samples,): 目标值。
sample_weightarray-like 形状为 (n_samples,), 默认=None: 样本权重。
drop_intermediatebool, 默认=True: 是否删除一些次优阈值，这些阈值在绘制的ROC曲线上不会出现。这对于创建更轻量的ROC曲线很有用。
response_method{‘predict_proba’, ‘decision_function’, ‘auto’} 默认=’auto’: 指定使用 predict_proba 还是 decision_function 作为目标响应。如果设置为 ‘auto’，首先尝试 predict_proba ，如果不存在则尝试 decision_function 。
pos_labelint, float, bool 或 str, 默认=None: 在计算roc auc指标时被视为正类的类别。默认情况下， estimators.classes_[1] 被视为正类。
namestr, 默认=None: ROC曲线的名称用于标签。如果为 None ，使用估计器的名称。
axmatplotlib axes, 默认=None: 要绘制的轴对象。如果为 None ，则创建一个新的图形和轴。
plot_chance_levelbool, 默认=False: 是否绘制机会水平。

Added in version 1.3.
chance_level_kwdict, 默认=None: 传递给matplotlib的 plot 以渲染机会水平线的关键字参数。

Added in version 1.3.
**kwargsdict: 传递给matplotlib的 plot 的关键字参数。

Returns:

displayRocCurveDisplay: ROC曲线显示。

See also

roc_curve: 计算接收者操作特征（ROC）曲线。
RocCurveDisplay.from_predictions: 给定分类器分数概率的ROC曲线可视化。
roc_auc_score: 计算ROC曲线下面积。

Examples

>>> 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)
>>> RocCurveDisplay.from_estimator(
...    clf, X_test, y_test)
<...>
>>> plt.show()

../../_images/sklearn-metrics-RocCurveDisplay-2.png

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

绘制给定真实值和预测值的ROC曲线。

更多信息请参阅用户指南。

Added in version 1.0.

Parameters:

y_truearray-like of shape (n_samples,): 真实标签。
y_predarray-like of shape (n_samples,): 目标分数，可以是正类的概率估计、置信值或无阈值的决策度量（如某些分类器中的“decision_function”返回的值）。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。
drop_intermediatebool, default=True: 是否丢弃一些次优阈值，这些阈值在绘制的ROC曲线上不会出现。这有助于创建更轻量的ROC曲线。
pos_labelint, float, bool or str, default=None: 正类的标签。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中， pos_label 设置为 1，否则将引发错误。
namestr, default=None: ROC曲线的名称，用于标注。如果为 None ，名称将设置为 "Classifier" 。
axmatplotlib axes, default=None: 要绘制的轴对象。如果为 None ，将创建一个新的图形和轴。
plot_chance_levelbool, default=False: 是否绘制机会水平线。

Added in version 1.3.
chance_level_kwdict, default=None: 传递给 matplotlib 的 plot 以渲染机会水平线的关键字参数。

Added in version 1.3.
**kwargsdict: 传递给 matplotlib plot 函数的其他关键字参数。

Returns:

displayRocCurveDisplay: 存储计算值的对象。

Gallery examples#

使用显示对象进行可视化

异常检测估计器的评估

scikit-learn 0.22 版本发布亮点