CalibrationDisplay#

class sklearn.calibration.CalibrationDisplay(prob_true, prob_pred, y_prob, *, estimator_name=None, pos_label=None)[原始碼]#

校準曲線（也稱為可靠性圖）視覺化。

建議使用 from_estimator 或 from_predictions 來建立 CalibrationDisplay。所有參數都以屬性形式儲存。

在使用者指南中閱讀更多關於校準的資訊，並在視覺化中閱讀更多關於scikit-learn視覺化 API 的資訊。

有關如何使用視覺化的範例，請參閱機率校準曲線。

在 1.0 版本中新增。

參數:
prob_true形狀為 (n_bins,) 的 ndarray

每個 bin 中，類別為正類的樣本比例（正例的比例）。

prob_pred形狀為 (n_bins,) 的 ndarray

每個 bin 中預測的平均機率。

y_prob形狀為 (n_samples,) 的 ndarray

每個樣本的正類機率估計值。

estimator_namestr，預設值=None

估計器的名稱。如果為 None，則不會顯示估計器的名稱。

pos_labelint、float、bool 或 str，預設值=None

計算校準曲線時的正類。預設情況下，當使用 from_estimator 時，pos_label 設定為 estimators.classes_[1]，當使用 from_predictions 時，設定為 1。

在 1.1 版本中新增。

屬性:
line_matplotlib Artist

校準曲線。

ax_matplotlib Axes

帶有校準曲線的軸。

figure_matplotlib Figure

包含曲線的圖形。

參見

calibration_curve

calibration_curve

計算校準曲線的真實機率和預測機率。

CalibrationDisplay.from_predictions

使用真實標籤和預測標籤繪製校準曲線。

CalibrationDisplay.from_estimator

範例

>>> 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()
<...>
使用估計器和資料繪製校準曲線。

classmethod from_estimator(estimator, X, y, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ref_line=True, ax=None, **kwargs)[原始碼]#

使用二元分類器和資料繪製校準曲線。

校準曲線（也稱為可靠性圖）使用二元分類器的輸入，並在 y 軸上繪製每個 bin 的平均預測機率與正類比例。

在使用者指南中閱讀更多關於校準的資訊，並在視覺化中閱讀更多關於scikit-learn視覺化 API 的資訊。

在 1.0 版本中新增。

參數:
額外的關鍵字參數將傳遞給 matplotlib.pyplot.plot。

estimator估計器實例

擬合的分類器或擬合的Pipeline，其中最後一個估計器是分類器。分類器必須具有 predict_proba 方法。

X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}

輸入值。

y形狀為 (n_samples,) 的類陣列

二元目標值。

n_binsint，預設值=5

計算校準曲線時，將 [0, 1] 區間離散化的 bin 數。較大的數字需要更多資料。

strategy{‘uniform’, ‘quantile’}，預設值=’uniform’

  • 用於定義 bin 寬度的策略。

  • 'uniform'：bin 具有相同的寬度。

pos_labelint、float、bool 或 str，預設值=None

'quantile'：bin 具有相同數量的樣本，並取決於預測的機率。

在 1.1 版本中新增。

計算校準曲線時的正類。預設情況下，estimators.classes_[1] 被視為正類。

namestr，預設值=None

用於標記曲線的名稱。如果 None，則使用估計器的名稱。

ref_linebool，預設值=True

如果 True，則繪製一條參考線，代表完全校準的分類器。

axmatplotlib 軸，預設值=None

繪圖的軸物件。如果 None，則會建立新的圖形和軸。

**kwargsdict

要傳遞給 matplotlib.pyplot.plot 的關鍵字參數。
傳回值:

displayCalibrationDisplay.

參見

計算校準曲線的真實機率和預測機率。

CalibrationDisplay.from_predictions

範例

>>> 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)
>>> disp = CalibrationDisplay.from_estimator(clf, X_test, y_test)
>>> plt.show()
../../_images/sklearn-calibration-CalibrationDisplay-1.png
classmethod from_predictions(y_true, y_prob, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ref_line=True, ax=None, **kwargs)[原始碼]#

使用真實標籤和預測機率繪製校準曲線。

校準曲線，也稱為可靠性圖，使用二元分類器的輸入，並在 y 軸上繪製每個 bin 的平均預測機率與正類別的比例。

校準曲線（也稱為可靠性圖）使用二元分類器的輸入，並在 y 軸上繪製每個 bin 的平均預測機率與正類比例。

在使用者指南中閱讀更多關於校準的資訊，並在視覺化中閱讀更多關於scikit-learn視覺化 API 的資訊。

在 1.0 版本中新增。

參數:
y_true形狀如 (n_samples,) 的類陣列

真實標籤。

y_prob形狀如 (n_samples,) 的類陣列

正類別的預測機率。

二元目標值。

n_binsint，預設值=5

計算校準曲線時，將 [0, 1] 區間離散化的 bin 數。較大的數字需要更多資料。

strategy{‘uniform’, ‘quantile’}，預設值=’uniform’

  • 用於定義 bin 寬度的策略。

  • 'uniform'：bin 具有相同的寬度。

pos_labelint、float、bool 或 str，預設值=None

計算校準曲線時的正類別。預設情況下，pos_label 設定為 1。

在 1.1 版本中新增。

計算校準曲線時的正類。預設情況下，estimators.classes_[1] 被視為正類。

用於標記曲線的名稱。

用於標記曲線的名稱。如果 None，則使用估計器的名稱。

ref_linebool，預設值=True

如果 True，則繪製一條參考線，代表完全校準的分類器。

axmatplotlib 軸，預設值=None

繪圖的軸物件。如果 None，則會建立新的圖形和軸。

**kwargsdict

要傳遞給 matplotlib.pyplot.plot 的關鍵字參數。
傳回值:

displayCalibrationDisplay.

參見

使用真實標籤和預測標籤繪製校準曲線。

CalibrationDisplay.from_estimator

範例

>>> 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()
../../_images/sklearn-calibration-CalibrationDisplay-2.png
plot(*, ax=None, name=None, ref_line=True, **kwargs)[原始碼]#

繪製視覺化圖表。

校準曲線（也稱為可靠性圖）使用二元分類器的輸入，並在 y 軸上繪製每個 bin 的平均預測機率與正類比例。

參數:
axMatplotlib Axes，預設為 None

axmatplotlib 軸，預設值=None

計算校準曲線時的正類。預設情況下，estimators.classes_[1] 被視為正類。

用於標記曲線的名稱。如果 None，則使用 estimator_name，如果 None，則不顯示標籤。

用於標記曲線的名稱。如果 None，則使用估計器的名稱。

ref_linebool，預設值=True

繪圖的軸物件。如果 None，則會建立新的圖形和軸。

**kwargsdict

要傳遞給 matplotlib.pyplot.plot 的關鍵字參數。
displayCalibrationDisplay

displayCalibrationDisplay.