CalibrationDisplay#

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

校准曲线（也称为可靠性图）可视化。

建议使用 from_estimator 或 from_predictions 来创建 CalibrationDisplay。所有参数都存储为属性。

在用户指南中阅读有关校准的更多信息，并在可视化中阅读有关 scikit-learn 可视化 API 的更多信息。

有关如何使用可视化的示例，请参阅概率校准曲线。

1.0 版本新增。

参数:
prob_true形状为 (n_bins,) 的 ndarray

每个 bin 中样本属于正类的比例（正例分数）。

prob_pred形状为 (n_bins,) 的 ndarray

每个 bin 中的平均预测概率。

y_prob形状为 (n_samples,) 的 ndarray

每个样本的正类概率估计。

estimator_namestr, default=None

估计器的名称。如果为 None，则不显示估计器名称。

pos_labelint, float, bool or str, default=None

计算校准曲线时的正类。如果不是 None，则此值显示在 x 轴和 y 轴标签中。

版本 1.1 中新增。

属性:
line_matplotlib Artist

校准曲线。

ax_matplotlib Axes

带有校准曲线的坐标轴。

figure_matplotlib Figure

包含曲线的图。

另请参阅

calibration_curve

计算校准曲线的真实概率和预测概率。

CalibrationDisplay.from_predictions

使用真实标签和预测标签绘制校准曲线。

CalibrationDisplay.from_estimator

使用估计器和数据绘制校准曲线。

示例

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

使用二元分类器和数据绘制校准曲线。

校准曲线，也称为可靠性图，使用来自二元分类器的输入，并绘制每个 bin 的平均预测概率与 y 轴上的正类分数。

额外的关键字参数将传递给 matplotlib.pyplot.plot。

在用户指南中阅读有关校准的更多信息，并在可视化中阅读有关 scikit-learn 可视化 API 的更多信息。

1.0 版本新增。

参数:
estimatorestimator instance

已拟合的分类器或已拟合的 Pipeline，其中最后一个估计器是分类器。分类器必须具有 predict_proba 方法。

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

输入值。

yarray-like of shape (n_samples,)

二元目标值。

n_binsint, default=5

计算校准曲线时将 [0, 1] 区间离散化的 bin 数。数字越大需要的数据越多。

strategy{‘uniform’, ‘quantile’}, default=’uniform’

用于定义 bin 宽度的策略。

  • 'uniform': bin 具有相同的宽度。

  • 'quantile': bin 具有相同数量的样本，并取决于预测概率。

pos_labelint, float, bool or str, default=None

计算校准曲线时的正类。默认情况下，estimators.classes_[1] 被视为正类。

版本 1.1 中新增。

namestr, default=None

用于标记曲线的名称。如果为 None，则使用估计器的名称。

axmatplotlib axes, default=None

用于绘图的坐标轴对象。如果为 None，则会创建新的图和坐标轴。

ref_linebool, default=True

如果为 True，则绘制一条代表完美校准分类器的参考线。

**kwargsdict

将传递给 matplotlib.pyplot.plot 的关键字参数。

返回:
displayCalibrationDisplay.

存储计算值的对象。

另请参阅

CalibrationDisplay.from_predictions

使用真实标签和预测标签绘制校准曲线。

示例

>>> 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, ax=None, ref_line=True, **kwargs)[source]#

使用真实标签和预测概率绘制校准曲线。

校准曲线，也称为可靠性图，使用来自二元分类器的输入，并绘制每个 bin 的平均预测概率与 y 轴上的正类分数。

额外的关键字参数将传递给 matplotlib.pyplot.plot。

在用户指南中阅读有关校准的更多信息，并在可视化中阅读有关 scikit-learn 可视化 API 的更多信息。

1.0 版本新增。

参数:
y_true形状为 (n_samples,) 的 array-like

真实标签。

y_prob形状为 (n_samples,) 的 array-like

正类的预测概率。

n_binsint, default=5

计算校准曲线时将 [0, 1] 区间离散化的 bin 数。数字越大需要的数据越多。

strategy{‘uniform’, ‘quantile’}, default=’uniform’

用于定义 bin 宽度的策略。

  • 'uniform': bin 具有相同的宽度。

  • 'quantile': bin 具有相同数量的样本，并取决于预测概率。

pos_labelint, float, bool or str, default=None

计算校准曲线时的正类。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中，则将 pos_label 设置为 1，否则将引发错误。

版本 1.1 中新增。

namestr, default=None

用于标记曲线的名称。

axmatplotlib axes, default=None

用于绘图的坐标轴对象。如果为 None，则会创建新的图和坐标轴。

ref_linebool, default=True

如果为 True，则绘制一条代表完美校准分类器的参考线。

**kwargsdict

将传递给 matplotlib.pyplot.plot 的关键字参数。

返回:
displayCalibrationDisplay.

存储计算值的对象。

另请参阅

CalibrationDisplay.from_estimator

使用估计器和数据绘制校准曲线。

示例

>>> 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)[source]#

绘制可视化图。

额外的关键字参数将传递给 matplotlib.pyplot.plot。

参数:
axMatplotlib Axes, default=None

用于绘图的坐标轴对象。如果为 None，则会创建新的图和坐标轴。

namestr, default=None

用于标记曲线的名称。如果为 None，则使用 estimator_name（如果不是 None），否则不显示标签。

ref_linebool, default=True

如果为 True，则绘制一条代表完美校准分类器的参考线。

**kwargsdict

将传递给 matplotlib.pyplot.plot 的关键字参数。

返回:
displayCalibrationDisplay

存储计算值的对象。