Python sklearn CalibrationDisplay用法及代碼示例

本文簡要介紹python語言中 sklearn.calibration.CalibrationDisplay 的用法。

用法:

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

校準曲線(也稱為可靠性圖)可視化。

建議使用 from_estimator 或 from_predictions 創建 CalibrationDisplay 。所有參數都存儲為屬性。

在用戶指南中閱讀有關校準的更多信息，並在 Visualizations 中閱讀有關 scikit-learn 可視化 API 的更多信息。

參數：

prob_true：ndarray 形狀 (n_bins,)

每個 bin 中類為正類(正數的分數)的樣本的比例。

prob_pred：ndarray 形狀 (n_bins,)

每個 bin 中的平均預測概率。

y_prob：ndarray 形狀 (n_samples,)

每個樣本的正類概率估計。

estimator_name：str，默認=無

估算器的名稱。如果為 None，則不顯示估計器名稱。

屬性：

line_：matplotlib 藝術家

校準曲線。

ax_：matplotlib 軸

帶有校準曲線的軸。

figure_：matplotlib 圖

包含曲線的圖。

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()
<...>