使用显示对象的可视化#
在本例中，我们将直接从各自的指标构建显示对象，ConfusionMatrixDisplay、RocCurveDisplay 和 PrecisionRecallDisplay。这是一种在模型预测已计算或计算成本高昂时，替代使用其对应绘图函数的方法。请注意，这是高级用法，通常建议使用其对应的绘图函数。
加载数据并训练模型#
在本例中，我们从 OpenML <https://www.openml.org/d/1464> 加载血液输血服务中心数据集。这是一个二元分类问题，目标是个人是否捐献了血液。然后将数据分成训练集和测试集，并使用训练集拟合逻辑回归。
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#
使用拟合后的模型，我们计算模型在测试数据集上的预测结果。这些预测结果用于计算混淆矩阵，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非阈值决策值。由于逻辑回归提供决策函数，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，可以使用先前部分的
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绘图#
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 轻松地组合可视化。在以下示例中，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()
脚本的总运行时间：（0 分钟 1.669 秒）
相关示例
