`sklearn.metrics`.plot_roc_curve¶

sklearn.metrics.plot_roc_curve()¶

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

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

Más información en el Manual de Usuario.

Parámetros

estimatorinstancia del estimador: Clasificador ajustado o un Pipeline ajustado 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.
drop_intermediatebooleano, default=True: Si se caen algunos umbrales subóptimos que no aparecen en una curva ROC trazada. Esto es útil para crear curvas ROC más ligeras.
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 ROC para etiquetar. Si es None, usa el nombre del estimador.
axejes matplotlib, default=None: Objeto de ejes para graficar. Si es None, se crea una nueva figura y ejes.
pos_labelcadena de caracteres o entero, default=None: La clase considerada como la clase positiva al calcular las métricas de roc auc. Por defecto, estimators.classes_[1] es considerada como la clase positiva.

Nuevo en la versión 0.24.

Devuelve

displayRocCurveDisplay: Objeto que almacena valores calculados.

Ver también

roc_curve: Calcula la curva de características operativas del receptor (ROC).
RocCurveDisplay: Visualización de curvas ROC.
roc_auc_score: Calcula el área bajo la curva 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_roc_curve(clf, X_test, y_test)  
>>> plt.show()                                   

Ejemplos usando `sklearn.metrics.plot_roc_curve`¶

sklearn.metrics.plot_roc_curve¶

Ejemplos usando sklearn.metrics.plot_roc_curve¶

`sklearn.metrics`.plot_roc_curve¶

Ejemplos usando `sklearn.metrics.plot_roc_curve`¶