绘制交叉验证预测#

此示例展示了如何结合使用cross_val_predict和PredictionErrorDisplay来可视化预测误差。

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

我们将加载糖尿病数据集并创建一个线性回归模型实例。

from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression

X, y = load_diabetes(return_X_y=True)
lr = LinearRegression()

cross_val_predict返回一个与y大小相同的数组，其中每个条目是通过交叉验证获得的预测。

from sklearn.model_selection import cross_val_predict

y_pred = cross_val_predict(lr, X, y, cv=10)

由于cv=10，这意味着我们训练了10个模型，每个模型用于对10个折叠中的一个进行预测。我们现在可以使用PredictionErrorDisplay来可视化预测误差。

在左轴上，我们绘制了观测值 \(y\) 与模型给出的预测值 \(\hat{y}\)。在右轴上，我们绘制了残差（即观测值与预测值之间的差异）与预测值。

import matplotlib.pyplot as plt

from sklearn.metrics import PredictionErrorDisplay

fig, axs = plt.subplots(ncols=2, figsize=(8, 4))
PredictionErrorDisplay.from_predictions(
    y,
    y_pred=y_pred,
    kind="actual_vs_predicted",
    subsample=100,
    ax=axs[0],
    random_state=0,
)
axs[0].set_title("Actual vs. Predicted values")
PredictionErrorDisplay.from_predictions(
    y,
    y_pred=y_pred,
    kind="residual_vs_predicted",
    subsample=100,
    ax=axs[1],
    random_state=0,
)
axs[1].set_title("Residuals vs. Predicted Values")
fig.suptitle("Plotting cross-validated predictions")
plt.tight_layout()
plt.show()

Plotting cross-validated predictions, Actual vs. Predicted values, Residuals vs. Predicted Values

需要注意的是，在此示例中，我们仅将cross_val_predict用于可视化目的。

当不同交叉验证折叠的大小和分布不同时，通过计算cross_val_predict返回的连接预测来定量评估模型性能将是问题。

建议改用cross_val_score或cross_validate来计算每个折叠的性能指标。

脚本总运行时间： (0 分钟 0.183 秒)

绘制交叉验证预测#

本页