使用显示对象进行可视化

在此示例中，我们将直接从 ConfusionMatrixDisplay、RocCurveDisplay 和 PrecisionRecallDisplay 等相应指标构建显示对象。当模型的预测结果已经计算好或计算成本较高时，这是使用其相应绘图函数的替代方法。请注意，这是高级用法，通常我们建议使用各自的绘图函数。

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

加载数据并训练模型

在此示例中，我们从 OpenML 加载了一个输血服务中心数据集。这是一个二元分类问题，目标是个体是否献血。然后将数据分为训练集和测试集，并使用训练集拟合逻辑回归模型。

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 环境中，请重新运行此单元格以显示 HTML 表示或信任此 notebook。
在 GitHub 上，HTML 表示无法渲染，请尝试使用 nbviewer.org 加载此页面。

创建 ConfusionMatrixDisplay

使用拟合模型，我们计算模型在测试数据集上的预测。这些预测用于计算混淆矩阵，并使用 ConfusionMatrixDisplay 绘制。

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()

创建 RocCurveDisplay

ROC 曲线需要估计器的概率或未阈值化的决策值。由于逻辑回归提供了决策函数，我们将使用它来绘制 ROC 曲线。

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()

创建 PrecisionRecallDisplay

同样，可以使用前几节中的 y_score 绘制精确度-召回率曲线。

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()

将显示对象组合成一个图

显示对象存储作为参数传递的计算值。这使得可以使用 matplotlib 的 API 轻松组合可视化。在以下示例中，我们将显示对象并排放在一行中。

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()

相关示例

精确度-召回率

精确度-召回率

使用可视化 API 绘制 ROC 曲线

使用可视化 API 绘制 ROC 曲线

多类接收者操作特征 (ROC)

多类接收者操作特征 (ROC)

成本敏感学习的决策阈值后调

成本敏感学习的决策阈值后调