sklearn.metrics.plot_roc_curve

sklearn.metrics.plot_roc_curve(estimator, X, y, *, sample_weight=None, drop_intermediate=True, response_method='auto', name=None, ax=None, **kwargs)

源码

绘制接收器工作特性(ROC)曲线。

额外的关键字参数将传递到matplotlib的plot中。

用户指南中阅读更多内容。

参数 说明
estimator estimator instance
拟合分类器或拟合Pipeline,其中最后一个评估器是分类器。
X {array-like, sparse matrix} of shape (n_samples, n_features)
输入值。
y array-like of shape (n_samples,)
目标值。
sample_weight array-like of shape (n_samples,), default=None
样本权重。
drop_intermediate boolean, default=True
是否降低一些未达到最佳阈值的阈值,这些阈值不会出现在绘制的ROC曲线上。 这对于创建较浅的ROC曲线很有用。
response_method {‘predict_proba’, ‘decision_function’, ‘auto’} default=’auto’
指定是使用predict_proba还是decision_function作为目标响应。 如果设置为‘auto’,则先尝试使用predict_proba,如果不存在,则首先尝试decision_function
name str, default=None
用于标记的ROC曲线的名称。 如果为None,请使用评估器的名称。
ax matplotlib axes, default=None
要进行绘制的轴对象。如果为None,则将创建新的图形和轴。
返回值 说明
display RocCurveDisplay
存储计算值的对象。

示例

>>> import matplotlib.pyplot as plt  # doctest: +SKIP
>>> 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)  # doctest: +SKIP
>>> plt.show()