Python sklearn CalibrationDisplay用法及代码示例

本文简要介绍python语言中 sklearn.calibration.CalibrationDisplay 的用法。

用法:

class sklearn.calibration.CalibrationDisplay(prob_true, prob_pred, y_prob, *, estimator_name=None)

校准曲线(也称为可靠性图)可视化。

建议使用 from_estimator 或 from_predictions 创建 CalibrationDisplay 。所有参数都存储为属性。

在用户指南中阅读有关校准的更多信息，并在 Visualizations 中阅读有关 scikit-learn 可视化 API 的更多信息。

参数：

prob_true：ndarray 形状 (n_bins,)

每个 bin 中类为正类(正数的分数)的样本的比例。

prob_pred：ndarray 形状 (n_bins,)

每个 bin 中的平均预测概率。

y_prob：ndarray 形状 (n_samples,)

每个样本的正类概率估计。

estimator_name：str，默认=无

估算器的名称。如果为 None，则不显示估计器名称。

属性：

line_：matplotlib 艺术家

校准曲线。

ax_：matplotlib 轴

带有校准曲线的轴。

figure_：matplotlib 图

包含曲线的图。

例子：

>>> from sklearn.datasets import make_classification
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.calibration import calibration_curve, CalibrationDisplay
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, random_state=0)
>>> clf = LogisticRegression(random_state=0)
>>> clf.fit(X_train, y_train)
LogisticRegression(random_state=0)
>>> y_prob = clf.predict_proba(X_test)[:, 1]
>>> prob_true, prob_pred = calibration_curve(y_test, y_prob, n_bins=10)
>>> disp = CalibrationDisplay(prob_true, prob_pred, y_prob)
>>> disp.plot()
<...>