`sklearn.metrics`.det_curve¶

sklearn.metrics.det_curve()¶

Calcula las tasas de error para diferentes umbrales de probabilidad.

Nota

Esta métrica se utiliza para la evaluación del ranking y de compensaciones de error de una tarea de clasificación binaria.

Más información en el Manual de usuario.

Nuevo en la versión 0.24.

Parámetros

y_truendarray de forma (n_samples,): Etiquetas binarias verdaderas. Si las etiquetas no son {-1, 1} o {0, 1}, se debe indicar explícitamente pos_label.
y_scorendarray de forma de (n_samples,): Los puntajes objetivo, pueden ser estimados de probabilidad de la clase positiva, valores de confianza, o una medida sin umbrales de decisiones (como es devuelva por «decision_function» en algunos clasificadores).
pos_labelentero o cadena, default=None: La etiqueta de la clase positiva. Cuando pos_label=None, si y_true está en {-1, 1} o {0, 1}, pos_label se establece en 1, de lo contrario se producirá un error.
sample_weightarray-like de forma (n_samples,), default=None: Ponderados de muestras.

Devuelve

fprndarray de forma (n_thresholds,): La tasa de falsos positivos (FPR) de tal forma que el elemento i es la tasa de falso positivos de predicciones con score >= thresholds[i]. De vez en cuando, esto es llamado probabilidad de falsa aceptación o caída.
fnrndarray de forma (n_thresholds,): La tasa de falsos negativos (FPR) de tal forma que el elemento i es la tasa de falso negativos de predicciones con score >= thresholds[i]. De vez en cuando, esto es llamado falso rechazo o tasa de fallos.
thresholdsndarray de forma (n_thresholds,): Disminuye los valores de puntuación.

Ver también

plot_det_curve: Trazar curva de error de detección (DET).
DetCurveDisplay: Visualización de curvas DET.
roc_curve: Calcula la curva de características operativas del receptor (ROC).
precision_recall_curve: Calcula la curva de precisión-exhaustividad.

Ejemplos

>>> 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 ])

sklearn.metrics.det_curve¶

`sklearn.metrics`.det_curve¶