注意
转到末尾 下载完整的示例代码或通过 JupyterLite 或 Binder 在浏览器中运行此示例。
使用显示对象进行可视化#
在此示例中，我们将直接从各自的指标构建显示对象，包括 ConfusionMatrixDisplay、RocCurveDisplay 和 PrecisionRecallDisplay。当模型的预测已经计算好或计算成本高昂时，这是使用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#
对于此示例，我们从 OpenML 加载献血服务中心数据集。这是一个二元分类问题，目标是判断个体是否献血。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)
创建 ConfusionMatrixDisplay#
使用拟合的模型，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 曲线需要来自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#
类似地，可以使用前几节中的 y_score 绘制精确率-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()
将显示对象组合成单个图#
显示对象存储作为参数传递的计算值。这使得使用 matplotlib 的 API 可以轻松地组合可视化。在下面的示例中，我们将显示对象并排放置在一行中。
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()
脚本总运行时间： (0 minutes 0.262 seconds)
相关示例
