Python sklearn calibration_curve用法及代碼示例

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

用法:

sklearn.calibration.calibration_curve(y_true, y_prob, *, normalize=False, n_bins=5, strategy='uniform')

計算校準曲線的真實概率和預測概率。

該方法假設輸入來自二元分類器，並將 [0, 1] 區間離散化為 bin。

校準曲線也可以稱為可靠性圖。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀類似數組 (n_samples,)

真正的目標。

y_prob：形狀類似數組 (n_samples,)

正類的概率。

normalize：布爾，默認=假

y_prob 是否需要歸一化到 [0, 1] 區間，即不是一個合適的概率。如果為 True，則 y_prob 中的最小值線性映射到 0，最大的映射到 1。

n_bins：整數，默認=5

離散化 [0, 1] 區間的 bin 數。更大的數字需要更多的數據。沒有樣本(即在 y_prob 中沒有相應值)的 bin 將不會被返回，因此返回的數組可能具有小於 n_bins 的值。

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

用於定義 bin 寬度的策略。

製服

箱具有相同的寬度。

分位數

這些 bin 具有相同數量的樣本並取決於 y_prob 。

返回：

prob_true：ndarray 形狀 (n_bins,) 或更小

每個 bin 中類別為正類的樣本的比例(正類的分數)。

prob_pred：ndarray 形狀 (n_bins,) 或更小

每個 bin 中的平均預測概率。

參考：

Alexandru Niculescu-Mizil 和 Rich Caruana (2005) Predicting Good Probabilities With Supervised Learning，第 22 屆機器學習國際會議 (ICML) 論文集。見第 4 節(預測的定性分析)。

例子：

>>> import numpy as np
>>> from sklearn.calibration import calibration_curve
>>> y_true = np.array([0, 0, 0, 0, 1, 1, 1, 1, 1])
>>> y_pred = np.array([0.1, 0.2, 0.3, 0.4, 0.65, 0.7, 0.8, 0.9,  1.])
>>> prob_true, prob_pred = calibration_curve(y_true, y_pred, n_bins=3)
>>> prob_true
array([0. , 0.5, 1. ])
>>> prob_pred
array([0.2  , 0.525, 0.85 ])