Python sklearn CalibrationDisplay.from_predictions用法及代码示例

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

用法:

classmethod from_predictions(y_true, y_prob, *, n_bins=5, strategy='uniform', name=None, ref_line=True, ax=None, **kwargs)

使用真实标签和预测概率绘制校准曲线。

校准曲线，也称为可靠性图，使用来自二元分类器的输入，并在 y 轴上绘制每个 bin 的平均预测概率与正类的比例。

额外的关键字参数将传递给 matplotlib.pyplot.plot 。

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：

y_true：形状类似数组 (n_samples,)

真正的标签。

y_prob：形状类似数组 (n_samples,)

正类的预测概率。

n_bins：整数，默认=5

计算校准曲线时将 [0, 1] 区间离散化为的 bin 数。更大的数字需要更多的数据。

strategy：{‘uniform’, ‘quantile’}，默认='uniform'

用于定义 bin 宽度的策略。

• 'uniform'：箱子具有相同的宽度。
• 'quantile'：bin 具有相同数量的样本并取决于预测概率。

name：str，默认=无

标记曲线的名称。

ref_line：布尔，默认=真

如果 True ，绘制代表完美校准分类器的参考线。

ax：matplotlib 轴，默认=无

要绘制的轴对象。如果 None ，则创建一个新的图形和轴。

**kwargs：dict

要传递给 matplotlib.pyplot.plot 的关键字参数。

返回：

display：CalibrationDisplay 。

存储计算值的对象。

例子：

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.calibration import 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]
>>> disp = CalibrationDisplay.from_predictions(y_test, y_prob)
>>> plt.show()