校准曲线显示

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

校准曲线（也称为可靠性图）可视化。

建议使用 from_estimator 或 from_predictions 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，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，请参见 概率校准曲线。

版本 1.0 中添加。

参数：

prob_true形状为 (n_bins,) 的ndarray

每个区间中，其类别为正类别的样本比例（正样本比例）。

prob_pred形状为 (n_bins,) 的ndarray

每个区间中的平均预测概率。

y_prob形状为 (n_samples,) 的ndarray

每个样本的正类别的概率估计。

estimator_namestr，默认为 None

估计器的名称。如果为 None，则不显示估计器名称。

pos_labelint、float、bool 或 str，默认为 None

计算校准曲线时使用的正类。默认情况下，使用 from_estimator 时，pos_label 设置为 estimators.classes_[1]；使用 from_predictions 时，设置为 1。

1.1 版本新增。

属性：

line_matplotlib Artist

校准曲线。

ax_matplotlib Axes

包含校准曲线的坐标轴。

figure_matplotlib Figure

包含曲线的图形。

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, ref_line=True, ax=None, **kwargs)

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，并绘制每个区间的平均预测概率与正类的比例（y 轴）。

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，在 可视化 中阅读有关 scikit-learn 可视化 API 的更多信息。

版本 1.0 中添加。

参数：

estimator估计器实例

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。

X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

输入值。

y形状为 (n_samples,) 的数组型

二元目标值。

n_binsint，默认为 5

计算校准曲线时将 [0, 1] 区间离散化为的箱数。较大的数字需要更多数据。

strategy{'uniform', 'quantile'}，默认为 'uniform'

用于定义箱宽的策略。

• 'uniform'：箱宽相同。

• 'quantile'：箱具有相同数量的样本，并且取决于预测概率。

pos_labelint、float、bool 或 str，默认为 None

计算校准曲线时的正类。默认情况下，estimators.classes_[1] 被认为是正类。

1.1 版本新增。

namestr，默认为 None

用于标记曲线的名称。如果为 None，则使用估计器的名称。

ref_linebool，默认为 True

如果为 True，则绘制表示完美校准分类器的参考线。

axmatplotlib 坐标轴，默认为 None

要绘制的坐标轴对象。如果为 None，则创建一个新的图形和坐标轴。

**kwargsdict

要传递给 matplotlib.pyplot.plot 的关键字参数。

返回：

displayCalibrationDisplay.

存储计算值的物件。

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()

classmethod from_predictions(y_true, y_prob, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ref_line=True, ax=None, **kwargs)

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，并绘制每个区间的平均预测概率与正类的比例（y 轴）。

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，在 可视化 中阅读有关 scikit-learn 可视化 API 的更多信息。

版本 1.0 中添加。

参数：

y_true形状为 (n_samples,) 的数组型

真实标签。

y_prob形状为 (n_samples,) 的数组型

正类的预测概率。

n_binsint，默认为 5

计算校准曲线时将 [0, 1] 区间离散化为的箱数。较大的数字需要更多数据。

strategy{'uniform', 'quantile'}，默认为 'uniform'

用于定义箱宽的策略。

• 'uniform'：箱宽相同。

• 'quantile'：箱具有相同数量的样本，并且取决于预测概率。

pos_labelint、float、bool 或 str，默认为 None

计算校准曲线时的正类。默认情况下，pos_label 设置为 1。

1.1 版本新增。

namestr，默认为 None

用于标记曲线的名称。

ref_linebool，默认为 True

如果为 True，则绘制表示完美校准分类器的参考线。

axmatplotlib 坐标轴，默认为 None

要绘制的坐标轴对象。如果为 None，则创建一个新的图形和坐标轴。

**kwargsdict

要传递给 matplotlib.pyplot.plot 的关键字参数。

返回：

displayCalibrationDisplay.

存储计算值的物件。

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()

plot(*, ax=None, name=None, ref_line=True, **kwargs)

绘制可视化图像。

额外的关键字参数将传递给 matplotlib.pyplot.plot。

参数：

axMatplotlib Axes，默认值=None

要绘制的坐标轴对象。如果为 None，则创建一个新的图形和坐标轴。

namestr，默认为 None

曲线标签名称。如果为None，则使用estimator_name（如果非None），否则不显示标签。

ref_linebool，默认为 True

如果为 True，则绘制表示完美校准分类器的参考线。

**kwargsdict

要传递给 matplotlib.pyplot.plot 的关键字参数。

返回：

displayCalibrationDisplay

存储计算值的物件。

示例库

分类器校准比较

分类器校准比较

概率校准曲线

概率校准曲线