使用顯示物件進行視覺化#

在此範例中，我們將直接從它們各自的指標建構顯示物件，ConfusionMatrixDisplay、RocCurveDisplay 和 PrecisionRecallDisplay。當模型的預測已計算或計算成本高昂時，這是一種替代使用其對應繪圖函數的方法。請注意，這是進階用法，一般而言，我們建議使用其各自的繪圖函數。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

載入資料並訓練模型#

在此範例中，我們從 OpenML 載入一個輸血服務中心數據集。這是一個二元分類問題，其中目標是某人是否捐血。然後將資料分成訓練和測試數據集，並使用訓練數據集擬合邏輯回歸。

from sklearn.datasets import fetch_openml
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

X, y = fetch_openml(data_id=1464, return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y)

clf = make_pipeline(StandardScaler(), LogisticRegression(random_state=0))
clf.fit(X_train, y_train)

Pipeline(steps=[('standardscaler', StandardScaler()),
                ('logisticregression', LogisticRegression(random_state=0))])

在 Jupyter 環境中，請重新執行此儲存格以顯示 HTML 表示法或信任筆記本。
在 GitHub 上，HTML 表示法無法呈現，請嘗試使用 nbviewer.org 載入此頁面。

建立 `ConfusionMatrixDisplay`#

使用擬合模型，我們計算模型在測試數據集上的預測。這些預測用於計算混淆矩陣，該矩陣使用 ConfusionMatrixDisplay 繪製。

from sklearn.metrics import ConfusionMatrixDisplay, confusion_matrix

y_pred = clf.predict(X_test)
cm = confusion_matrix(y_test, y_pred)

cm_display = ConfusionMatrixDisplay(cm).plot()

建立 `RocCurveDisplay`#

ROC 曲線需要估計器的機率或非閾值決策值。由於邏輯回歸提供決策函數，我們將使用它來繪製 ROC 曲線

from sklearn.metrics import RocCurveDisplay, roc_curve

y_score = clf.decision_function(X_test)

fpr, tpr, _ = roc_curve(y_test, y_score, pos_label=clf.classes_[1])
roc_display = RocCurveDisplay(fpr=fpr, tpr=tpr).plot()

/home/circleci/project/sklearn/metrics/_plot/roc_curve.py:189: UserWarning:

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.

建立 `PrecisionRecallDisplay`#

同樣地，可以使用先前章節的 y_score 繪製精確率-召回率曲線。

from sklearn.metrics import PrecisionRecallDisplay, precision_recall_curve

prec, recall, _ = precision_recall_curve(y_test, y_score, pos_label=clf.classes_[1])
pr_display = PrecisionRecallDisplay(precision=prec, recall=recall).plot()

將顯示物件合併到單一繪圖中#

顯示物件會儲存作為引數傳遞的計算值。這允許使用 matplotlib 的 API 輕鬆組合視覺化。在以下範例中，我們將顯示物件並排放在一行中。

import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 8))

roc_display.plot(ax=ax1)
pr_display.plot(ax=ax2)
plt.show()

/home/circleci/project/sklearn/metrics/_plot/roc_curve.py:189: UserWarning:

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.

腳本總執行時間： (0 分鐘 0.368 秒)