LearningCurveDisplay#

class sklearn.model_selection.LearningCurveDisplay(*, train_sizes, train_scores, test_scores, score_name=None)[原始碼]#

學習曲線視覺化。

建議使用 from_estimator 來建立 LearningCurveDisplay 的實例。所有參數都儲存為屬性。

在 使用者指南 中閱讀更多關於視覺化 API 的一般資訊，以及關於學習曲線視覺化的 詳細文件。

在版本 1.2 中新增。

參數:
train_sizesndarray，形狀為 (n_unique_ticks,)

用於產生學習曲線的訓練樣本數量。

train_scoresndarray，形狀為 (n_ticks, n_cv_folds)

在訓練集上的分數。

test_scoresndarray，形狀為 (n_ticks, n_cv_folds)

在測試集上的分數。

score_namestr，預設值為 None

在 learning_curve 中使用的分數名稱。它將覆蓋從 scoring 參數推斷的名稱。如果 score 為 None，如果 negate_score 為 False，則使用 "Score"，否則使用 "Negative score"。如果 scoring 是一個字串或可呼叫物件，我們會推斷名稱。我們會將 _ 替換為空格，並將第一個字母大寫。如果 negate_score 為 False，則移除 neg_ 並替換為 "Negative"，否則直接移除。

屬性:
ax_matplotlib Axes

帶有學習曲線的軸。

figure_matplotlib Figure

包含學習曲線的圖表。

errorbar_matplotlib Artist 或 None 的列表

當 std_display_style 為 "errorbar" 時，這是一個 matplotlib.container.ErrorbarContainer 物件的列表。如果使用其他樣式，則 errorbar_ 為 None。

lines_matplotlib Artist 或 None 的列表

當 std_display_style 為 "fill_between" 時，這是對應於平均訓練和測試分數的 matplotlib.lines.Line2D 物件的列表。如果使用其他樣式，則 line_ 為 None。

fill_between_matplotlib Artist 或 None 的列表

當 std_display_style 為 "fill_between" 時，這是一個 matplotlib.collections.PolyCollection 物件的列表。如果使用其他樣式，則 fill_between_ 為 None。

參見

sklearn.model_selection.learning_curve

計算學習曲線。

範例

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import LearningCurveDisplay, learning_curve
>>> from sklearn.tree import DecisionTreeClassifier
>>> X, y = load_iris(return_X_y=True)
>>> tree = DecisionTreeClassifier(random_state=0)
>>> train_sizes, train_scores, test_scores = learning_curve(
...     tree, X, y)
>>> display = LearningCurveDisplay(train_sizes=train_sizes,
...     train_scores=train_scores, test_scores=test_scores, score_name="Score")
>>> display.plot()
<...>
>>> plt.show()
../../_images/sklearn-model_selection-LearningCurveDisplay-1.png
classmethod from_estimator(estimator, X, y, *, groups=None, train_sizes=array([0.1, 0.33, 0.55, 0.78, 1.]), cv=None, scoring=None, exploit_incremental_learning=False, n_jobs=None, pre_dispatch='all', verbose=0, shuffle=False, random_state=None, error_score=nan, fit_params=None, ax=None, negate_score=False, score_name=None, score_type='both', std_display_style='fill_between', line_kw=None, fill_between_kw=None, errorbar_kw=None)[原始碼]#

從估計器建立學習曲線顯示。

在 使用者指南 中閱讀更多關於視覺化 API 的一般資訊，以及關於學習曲線視覺化的 詳細文件。

參數:
estimator實作「fit」和「predict」方法的物件類型

此類型的物件會針對每個驗證進行複製。

X形狀為 (n_samples, n_features) 的類陣列

訓練資料，其中 n_samples 是樣本數，而 n_features 是特徵數。

y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列，或 None

分類或迴歸時相對於 X 的目標；無監督學習則為 None。

groups形狀為 (n_samples,) 的類陣列，預設值為 None

將資料集分割為訓練/測試集時使用的樣本組別標籤。僅與「Group」cv 實例（例如，GroupKFold）搭配使用。

train_sizes形狀為 (n_ticks,) 的類陣列，預設值為 np.linspace(0.1, 1.0, 5)

將用於產生學習曲線的訓練範例的相對或絕對數量。如果 dtype 是 float，則會將其視為訓練集最大大小（由選定的驗證方法決定）的分數，即必須在 (0, 1] 範圍內。否則，會將其解釋為訓練集的絕對大小。請注意，對於分類，樣本數量通常必須足夠大，才能包含每個類別的至少一個樣本。

cvint、交叉驗證產生器或可迭代物件，預設值為 None

決定交叉驗證分割策略。cv 的可能輸入為

  • None，使用預設的 5 折交叉驗證，

  • int，指定 (Stratified)KFold 中的折數，

  • CV 分割器,

  • 一個可迭代物件，產生 (train, test) 分割作為索引陣列。

對於 int/None 輸入，如果估計器是分類器且 y 是二元或多類，則使用 StratifiedKFold。在所有其他情況下，則使用 KFold。這些分割器會以 shuffle=False 實例化，因此分割在呼叫之間將會相同。

請參閱使用者指南，以了解此處可以使用的各種交叉驗證策略。

scoringstr 或可呼叫物件，預設值為 None

字串（請參閱評分參數：定義模型評估規則）或具有簽名 scorer(estimator, X, y) 的評分器可呼叫物件/函式（請參閱可呼叫的評分器）。

exploit_incremental_learningbool，預設值為 False

如果估計器支援增量學習，則會使用此方法來加速不同訓練集大小的擬合。

n_jobsint，預設值為 None

要並行執行的工作數。估計器的訓練和分數計算會在不同的訓練集和測試集上並行化。None 表示 1，除非在 joblib.parallel_backend 環境中。-1 表示使用所有處理器。請參閱詞彙表以了解更多詳細資訊。

pre_dispatchint 或 str，預設值為 'all'

並行執行的預先調度工作數（預設值為 all）。此選項可以減少配置的記憶體。str 可以是像「2*n_jobs」的運算式。

verboseint，預設值為 0

控制詳細程度：數值越高，訊息越多。

shufflebool，預設值為 False

是否在根據 `train_sizes` 取得訓練資料的前綴之前，先將其隨機排序。

random_stateint、RandomState 實例或 None，預設值為 None

當 shuffle 為 True 時使用。傳遞 int 以在多個函式呼叫中產生可重現的輸出。請參閱詞彙表。

error_score「raise」或數值，預設值為 np.nan

如果估計器擬合時發生錯誤，則要指派給分數的值。如果設定為「raise」，則會引發錯誤。如果提供數值，則會引發 FitFailedWarning。

fit_paramsdict，預設值為 None

要傳遞給估計器 fit 方法的參數。

axmatplotlib Axes，預設值為 None

要繪製的軸物件。如果 None，則會建立新的圖形和軸。

negate_scorebool，預設值為 False

是否要否定透過 learning_curve 取得的分數。當在 scikit-learn 中使用以 neg_* 表示的錯誤時，這特別有用。

score_namestr，預設值為 None

用於裝飾繪圖的 y 軸的分數名稱。它會覆寫從 scoring 參數推斷的名稱。如果 score 為 None，如果 negate_score 為 False，則我們會使用 "Score"，否則使用 "Negative score"。如果 scoring 是字串或可呼叫物件，則我們會推斷名稱。我們會將 _ 替換為空格，並將第一個字母大寫。如果 negate_score 為 False，則我們會移除 neg_ 並將其替換為 "Negative"，否則只會將其移除。

score_type{"test", "train", "both"}，預設值為 "both"

要繪製的分數類型。可以是 "test"、"train" 或 "both" 其中之一。

std_display_style{"errorbar", "fill_between"} 或 None，預設值為 "fill_between"

用於顯示平均分數周圍的分數標準差的樣式。如果 None，則不會顯示標準差的表示。

line_kwdict，預設值為 None

傳遞給用於繪製平均分數的 plt.plot 的其他關鍵字引數。

fill_between_kwdict，預設值為 None

傳遞給用於繪製分數標準差的 plt.fill_between 的其他關鍵字引數。

errorbar_kwdict，預設值為 None

傳遞給用於繪製平均分數和標準差分數的 plt.errorbar 的其他關鍵字引數。

傳回值:
displayLearningCurveDisplay

儲存計算值的物件。

範例

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import LearningCurveDisplay
>>> from sklearn.tree import DecisionTreeClassifier
>>> X, y = load_iris(return_X_y=True)
>>> tree = DecisionTreeClassifier(random_state=0)
>>> LearningCurveDisplay.from_estimator(tree, X, y)
<...>
>>> plt.show()
../../_images/sklearn-model_selection-LearningCurveDisplay-2.png
plot(ax=None, *, negate_score=False, score_name=None, score_type='both', std_display_style='fill_between', line_kw=None, fill_between_kw=None, errorbar_kw=None)[原始碼]#

繪製視覺化圖表。

參數:
axmatplotlib Axes，預設值為 None

要繪製的軸物件。如果 None，則會建立新的圖形和軸。

negate_scorebool，預設值為 False

是否要否定透過 learning_curve 取得的分數。當在 scikit-learn 中使用以 neg_* 表示的錯誤時，這特別有用。

score_namestr，預設值為 None

用於裝飾繪圖的 y 軸的分數名稱。它會覆寫從 scoring 參數推斷的名稱。如果 score 為 None，如果 negate_score 為 False，則我們會使用 "Score"，否則使用 "Negative score"。如果 scoring 是字串或可呼叫物件，則我們會推斷名稱。我們會將 _ 替換為空格，並將第一個字母大寫。如果 negate_score 為 False，則我們會移除 neg_ 並將其替換為 "Negative"，否則只會將其移除。

score_type{"test", "train", "both"}，預設值為 "both"

要繪製的分數類型。可以是 "test"、"train" 或 "both" 其中之一。

std_display_style{"errorbar", "fill_between"} 或 None，預設值為 "fill_between"

用於顯示平均分數周圍的分數標準差的樣式。如果為 None，則不會顯示標準差表示。

line_kwdict，預設值為 None

傳遞給用於繪製平均分數的 plt.plot 的其他關鍵字引數。

fill_between_kwdict，預設值為 None

傳遞給用於繪製分數標準差的 plt.fill_between 的其他關鍵字引數。

errorbar_kwdict，預設值為 None

傳遞給用於繪製平均分數和標準差分數的 plt.errorbar 的其他關鍵字引數。

傳回值:
displayLearningCurveDisplay

儲存計算值的物件。