Python sklearn CalibrationDisplay.from_predictions用法及代碼示例

本文簡要介紹python語言中 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)

使用真實標簽和預測概率繪製校準曲線。

校準曲線，也稱為可靠性圖，使用來自二元分類器的輸入，並在 y 軸上繪製每個 bin 的平均預測概率與正類的比例。

額外的關鍵字參數將傳遞給 matplotlib.pyplot.plot 。

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：

y_true：形狀類似數組 (n_samples,)

真正的標簽。

y_prob：形狀類似數組 (n_samples,)

正類的預測概率。

n_bins：整數，默認=5

計算校準曲線時將 [0, 1] 區間離散化為的 bin 數。更大的數字需要更多的數據。

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

用於定義 bin 寬度的策略。

• 'uniform'：箱子具有相同的寬度。
• 'quantile'：bin 具有相同數量的樣本並取決於預測概率。

name：str，默認=無

標記曲線的名稱。

ref_line：布爾，默認=真

如果 True ，繪製代表完美校準分類器的參考線。

ax：matplotlib 軸，默認=無

要繪製的軸對象。如果 None ，則創建一個新的圖形和軸。

**kwargs：dict

要傳遞給 matplotlib.pyplot.plot 的關鍵字參數。

返回：

display：CalibrationDisplay 。

存儲計算值的對象。

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()