DET 曲线的全名叫 detection error tradeoff curve，它表现的是「漏查」和「误查」两种错误的权衡。 曲线的纵坐标是正类的漏查率，即 1 - R_+ ；横坐标是负类的误查率，即 1 - R_- 。

A detection error tradeoff (DET) graph is a graphical plot of error rates for binary classification systems, plotting the false rejection rate vs. false acceptance rate. [1]

DET curves give direct feedback of the detection error tradeoff to aid in operating point analysis. The user can then decide the FNR they are willing to accept at the expense of the FPR (or vice-versa).

2021年9月16日 · DET curves give the user direct feedback of the detection error tradeoff to aid in operating point analysis. The user can deduct directly from the DET-curve plot at which rate false-negative error rate will improve when willing to accept …

2015年7月1日 · 检测错误权衡图（DET）是刻画二分类系统的分类错误率的一种图表，表示错误拒绝率（false reject rate）和错误接受率（false accept rate）之间的关系，x和y轴一般用log坐标轴表示。

det_curve # sklearn.metrics.det_curve(y_true, y_score, pos_label=None, sample_weight=None) [source] # Compute error rates for different probability thresholds.

2017年10月24日 · DET (Detection Error Tradeoff )曲线是对二元分类系统误码率的曲线图，绘制出错误拒绝率FRR（False Reject Rate）与错误接受率（False Accept Rate）之间随着判断阈值的变化而变化的曲线图。

2020年12月20日 · 本文详细介绍了在二分类任务中常用的评估指标，包括Precision-Recall (P-R)曲线、Receiver Operating Characteristic (ROC)曲线以及Detection Error Tradeoff (DET)曲线。 P-R曲线反映了查准率与查全率随阈值变化的情况，ROC曲线则展示了正类查全率与负类误查率的关 …

Examples >>> 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 ]) Gallery examples

DET 曲线是 ROC 曲线的一种变体，其中 False 阴性率 (FNR) 绘制在 y 轴上，而不是 TPR。 在这种情况下，原点（左下角）是“理想”点。 有关 ROC 曲线的更多信息，请参阅 sklearn.metrics.roc_curve 。 有关 DET 曲线的更多信息，请参阅 sklearn.metrics.det_curve 。 此示例大致基于 Classifier comparison 示例。 请参阅 Receiver Operating Characteristic (ROC) with cross validation 了解估计 ROC 曲线和 ROC-AUC 方差的示例。