学习曲线显示#

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

学习曲线可视化。

建议使用 from_estimator 创建 LearningCurveDisplay 实例。所有参数都存储为属性。

更多信息请参见 用户指南，了解可视化 API 的一般信息，以及 学习曲线可视化的详细文档。

版本 1.2 中新增。

参数：
train_sizes形状为 (n_unique_ticks,) 的 ndarray

用于生成学习曲线的训练样本数量。

train_scores形状为 (n_ticks, n_cv_folds) 的 ndarray

训练集上的得分。

test_scores形状为 (n_ticks, n_cv_folds) 的 ndarray

测试集上的得分。

score_namestr，默认为 None

在 learning_curve 中使用的得分的名称。它将覆盖从 scoring 参数推断出的名称。如果 score 为 None，如果 negate_score 为 False，则使用 "Score"，否则使用 "Negative score"。如果 scoring 是字符串或可调用对象，我们将推断名称。我们将 _ 替换为空格，并将首字母大写。如果 negate_score 为 False，我们将删除 neg_ 并将其替换为 "Negative"，否则直接删除。

属性：
ax_matplotlib Axes

包含学习曲线的 Axes。

figure_matplotlib Figure

包含学习曲线的图形。

errorbar_matplotlib Artist 列表或 None

当 std_display_style 为 "errorbar" 时，这是一个 matplotlib.container.ErrorbarContainer 对象列表。如果使用其他样式，则 errorbar_ 为 None。

lines_matplotlib Artist 列表或 None

当 std_display_style 为 "fill_between" 时，这是一个 matplotlib.lines.Line2D 对象列表，对应于平均训练和测试分数。如果使用其他样式，则 line_ 为 None。

fill_between_matplotlib Artist 列表或 None

当 std_display_style 为 "fill_between" 时，这是一个 matplotlib.collections.PolyCollection 对象列表。如果使用其他样式，则 fill_between_ 为 None。

另请参见

sklearn.model_selection.learning_curve

计算学习曲线。

示例

>>> 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)[source]#

根据估计器创建学习曲线显示。

更多信息请参见 用户指南，了解可视化 API 的一般信息，以及 学习曲线可视化的详细文档。

参数：
estimator实现“fit”和“predict”方法的对象类型

对于每个验证，都会克隆该类型的一个对象。

X形状为 (n_samples, n_features) 的类数组

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 或 None 的类数组

针对分类或回归的与 X 相关的目标；对于无监督学习则为 None。

groups形状为 (n_samples,) 的类数组，默认为 None

将数据集拆分为训练集/测试集时使用的样本分组标签。仅与“Group” cv 实例（例如，GroupKFold）结合使用。

train_sizes形状为 (n_ticks,) 的类数组，默认为 np.linspace(0.1, 1.0, 5)

将用于生成学习曲线的训练样本的相对数或绝对数。如果 dtype 为浮点数，则将其视为训练集最大大小（由所选验证方法确定）的一部分，即它必须在 (0, 1] 内。否则，它将被解释为训练集的绝对大小。请注意，对于分类，样本数量通常必须足够大，以便至少包含每个类别的一个样本。

cv整数、交叉验证生成器或可迭代对象，默认为 None

确定交叉验证拆分策略。cv 的可能输入为：

  • None，使用默认的 5 折交叉验证；

  • 整数，指定 (Stratified)KFold 中的折叠数；

  • CV 分割器,

  • 产生 (train, test) 拆分作为索引数组的可迭代对象。

对于 int/None 输入，如果估计器是分类器并且 y 是二元或多类，则使用 StratifiedKFold。在所有其他情况下，使用 KFold。这些分割器使用 shuffle=False 实例化，因此拆分在调用之间将保持一致。

请参阅 用户指南，了解此处可以使用各种交叉验证策略。

scoring字符串或可调用对象，默认为 None

字符串（请参阅 评分参数：定义模型评估规则）或评分可调用对象/函数，其签名为 scorer(estimator, X, y)（请参阅 可调用评分器）。

exploit_incremental_learning布尔值，默认为 False

如果估计器支持增量学习，这将用于加快不同训练集大小的拟合速度。

n_jobs整数，默认为 None

并行运行的作业数。估计器的训练和分数计算在不同的训练集和测试集上并行化。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关详细信息，请参阅 词汇表。

pre_dispatch整数或字符串，默认为“all”

并行执行的预调度作业数（默认为 all）。此选项可以减少分配的内存。字符串可以是类似“2*n_jobs”的表达式。

verbose整数，默认为 0

控制详细程度：值越高，显示的消息越多。

shuffle布尔值，默认为 False

是否根据 `train_sizes` 在获取训练数据的开头部分之前对其进行洗牌。

random_state整数、RandomState 实例或 None，默认为 None

当 shuffle 为 True 时使用。传递整数可在多次函数调用中获得可重复的结果。请参阅 词汇表。

error_score“raise”或数字，默认为 np.nan

如果估计器拟合发生错误，则分配给分数的值。如果设置为“raise”，则会引发错误。如果给出数值，则会引发 FitFailedWarning。

fit_params字典，默认为 None

传递给估计器 fit 方法的参数。

axmatplotlib Axes，默认为 None

要绘制的 Axes 对象。如果为 None，则会创建一个新的图形和 Axes。

negate_score布尔值，默认为 False

是否否定通过 learning_curve 获得的分数。当使用 scikit-learn 中由 neg_* 表示的误差时，这特别有用。

score_namestr，默认为 None

用于装饰绘图 y 轴的评分名称。它将覆盖从 scoring 参数推断的名称。如果 score 为 None，如果 negate_score 为 False，则我们使用 "Score"，否则使用 "Negative score"。如果 scoring 是字符串或可调用对象，我们将推断名称。我们将 _ 替换为空格，并将第一个字母大写。如果 negate_score 为 False，我们将删除 neg_ 并将其替换为 "Negative"，否则将其删除。

score_type{“test”, “train”, “both”}，默认为“both”

要绘制的评分类型。可以是 "test"、"train" 或 "both" 之一。

std_display_style{“errorbar”, “fill_between”} 或 None，默认为“fill_between”

用于显示围绕平均分数的标准差分数的样式。如果为None，则不显示标准差的表示。

line_kwdict, default=None

传递给用于绘制平均分数的plt.plot的附加关键字参数。

fill_between_kwdict, default=None

传递给用于绘制分数标准差的plt.fill_between的附加关键字参数。

errorbar_kwdict, default=None

传递给用于绘制平均分数和标准差分数的plt.errorbar的附加关键字参数。

返回:
displayLearningCurveDisplay

存储计算值的對象。

示例

>>> 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)[source]#

绘制可视化。

参数：
axmatplotlib Axes，默认为 None

要绘制的 Axes 对象。如果为 None，则会创建一个新的图形和 Axes。

negate_score布尔值，默认为 False

是否否定通过 learning_curve 获得的分数。当使用 scikit-learn 中由 neg_* 表示的误差时，这特别有用。

score_namestr，默认为 None

用于装饰绘图 y 轴的评分名称。它将覆盖从 scoring 参数推断的名称。如果 score 为 None，如果 negate_score 为 False，则我们使用 "Score"，否则使用 "Negative score"。如果 scoring 是字符串或可调用对象，我们将推断名称。我们将 _ 替换为空格，并将第一个字母大写。如果 negate_score 为 False，我们将删除 neg_ 并将其替换为 "Negative"，否则将其删除。

score_type{“test”, “train”, “both”}，默认为“both”

要绘制的评分类型。可以是 "test"、"train" 或 "both" 之一。

std_display_style{“errorbar”, “fill_between”} 或 None，默认为“fill_between”

用于显示围绕平均分数的标准差分数的样式。如果为 None，则不显示标准差表示。

line_kwdict, default=None

传递给用于绘制平均分数的plt.plot的附加关键字参数。

fill_between_kwdict, default=None

传递给用于绘制分数标准差的plt.fill_between的附加关键字参数。

errorbar_kwdict, default=None

传递给用于绘制平均分数和标准差分数的plt.errorbar的附加关键字参数。

返回:
displayLearningCurveDisplay

存储计算值的對象。