sklearn.metrics.plot_det_curve

sklearn.metrics.plot_det_curve()

Grafica la curva de error de detección (DET).

Los argumentos de palabras clave adicionales se pasarán al plot de matplotlib.

Más información en el Manual de Usuario.

Nuevo en la versión 0.24.

Parámetros

estimatorinstancia del estimador

Clasificador ajustado o un Pipeline en el que el último estimador es un clasificador.

X{array-like, sparse matrix} de forma (n_samples, n_features)

Valores de entrada.

yarray-like de forma (n_samples,)

Valores objetivo.

sample_weightarray-like de forma (n_samples,), default=None

Ponderaciones de muestra.

response_method{“predict_proba”, “decision_function”, “auto”}, default=”auto”

Especifica si usar predict_proba o decision_function como respuesta al objetivo. Si se establece en “auto”, predict_proba es probado primero y si no existe decision_function es probado a continuación.

namecadena de caracteres, default=None

Nombre de la curva DET para la etiqueta. Si es None, utiliza el nombre del estimador.

axejes matplotlib, default=None

Objeto de ejes en los que graficar. Si es None, se crea una nueva figura y ejes.

pos_labelcadena de caracteres o entero, 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.

Devuelve

displayDetCurveDisplay

Objeto que almacena valores calculados.

Ver también

det_curve

Calcule las tasas de error para diferentes umbrales de probabilidad.

DetCurveDisplay

Visualización de curvas DET.

plot_roc_curve

Graficar la curva de características operativas del receptor (ROC).

Ejemplos

>>> 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_det_curve(clf, X_test, y_test)  
>>> plt.show()