LearningCurveDisplay#

class sklearn.model_selection.LearningCurveDisplay(*, train_sizes, train_scores, test_scores, score_name=None)[source]#

学习曲线可视化。

建议使用 from_estimator 来创建 LearningCurveDisplay 实例。所有参数都存储为属性。

有关可视化 API 的一般信息，请参阅用户指南，有关学习曲线可视化的详细文档。

1.2 版本新增。

参数:

train_sizesndarray of shape (n_unique_ticks,): 用于生成学习曲线的训练示例数量。
train_scoresndarray of shape (n_ticks, n_cv_folds): 训练集上的得分。
test_scoresndarray of shape (n_ticks, n_cv_folds): 测试集上的得分。
score_namestr, default=None: 在 learning_curve 中使用的分数的名称。它将覆盖从 scoring 参数推断出的名称。如果 score 为 None，则如果 negate_score 为 False，我们使用 "Score"，否则使用 "Negative score"。如果 scoring 是字符串或可调用对象，我们推断名称。我们将 _ 替换为空格并大写首字母。如果 negate_score 为 False，我们删除 neg_ 并替换为 "Negative"，否则直接删除它。

属性:

ax_matplotlib Axes: 包含学习曲线的轴。
figure_matplotlib Figure: 包含学习曲线的图。
errorbar_list of matplotlib Artist or None: 当 std_display_style 为 "errorbar" 时，这是一个 matplotlib.container.ErrorbarContainer 对象的列表。如果使用其他样式，errorbar_ 为 None。
lines_list of matplotlib Artist or None: 当 std_display_style 为 "fill_between" 时，这是一个对应于平均训练分数和测试分数的 matplotlib.lines.Line2D 对象的列表。如果使用其他样式，line_ 为 None。
fill_between_list of matplotlib Artist or None: 当 std_display_style 为 "fill_between" 时，这是一个 matplotlib.collections.PolyCollection 对象的列表。如果使用其他样式，fill_between_ 为 None。

另请参阅

sklearn.model_selection.learning_curve: 计算学习曲线。

示例

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import LearningCurveDisplay, learning_curve
>>> from sklearn.tree import DecisionTreeClassifier
>>> X, y = load_iris(return_X_y=True)
>>> tree = DecisionTreeClassifier(random_state=0)
>>> train_sizes, train_scores, test_scores = learning_curve(
...     tree, X, y)
>>> display = LearningCurveDisplay(train_sizes=train_sizes,
...     train_scores=train_scores, test_scores=test_scores, score_name="Score")
>>> display.plot()
<...>
>>> plt.show()

../../_images/sklearn-model_selection-LearningCurveDisplay-1.png

classmethod from_estimator(estimator, X, y, *, groups=None, train_sizes=array([0.1, 0.33, 0.55, 0.78, 1.]), cv=None, scoring=None, exploit_incremental_learning=False, n_jobs=None, pre_dispatch='all', verbose=0, shuffle=False, random_state=None, error_score=nan, fit_params=None, ax=None, negate_score=False, score_name=None, score_type='both', std_display_style='fill_between', line_kw=None, fill_between_kw=None, errorbar_kw=None)[source]#

从估计器创建学习曲线显示。

有关可视化 API 的一般信息，请参阅用户指南，有关学习曲线可视化的详细文档。

参数:

estimator实现“fit”和“predict”方法的对象类型

每次验证都会克隆该类型的对象。

Xshape 为 (n_samples, n_features) 的 array-like

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组或 None

相对于 X 的分类或回归目标；对于无监督学习为 None。

groups形状为 (n_samples,) 的类数组对象，默认=None

在将数据集拆分为训练/测试集时使用的样本组标签。仅与“Group”cv 实例（例如 GroupKFold）结合使用。

train_sizesarray-like of shape (n_ticks,), default=np.linspace(0.1, 1.0, 5)

用于生成学习曲线的训练示例的相对或绝对数量。如果 dtype 是 float，则将其视为训练集最大大小（由所选验证方法确定）的一部分，即它必须在 (0, 1] 范围内。否则，它被解释为训练集的绝对大小。请注意，对于分类，样本数量通常必须足够大，以包含每个类别至少一个样本。

cvint, cross-validation generator or an iterable, default=None

确定交叉验证拆分策略。cv 的可能输入包括

None，使用默认的 5 折交叉验证，
int，指定 (Stratified)KFold 中的折叠数，
CV 分割器,
一个可迭代对象，产生索引数组形式的 (训练集, 测试集) 拆分。

对于 int/None 输入，如果估计器是分类器且 y 是二元或多类别，则使用 StratifiedKFold。在所有其他情况下，使用 KFold。这些分割器以 shuffle=False 实例化，因此分割在不同调用中将相同。

有关此处可使用的各种交叉验证策略，请参阅用户指南。

scoringstr 或可调用对象，默认=None

计算学习曲线时使用的评分方法。选项

str: 有关选项，请参阅 String name scorers。
callable: 带有签名 scorer(estimator, X, y) 的可调用评分器对象（例如函数）。有关详细信息，请参阅 Callable scorers。
None：使用 estimator 的默认评估标准。

exploit_incremental_learningbool, default=False

如果估计器支持增量学习，这将用于加快不同训练集大小的拟合速度。

n_jobsint, default=None

并行运行的作业数。估计器的训练和得分计算在不同的训练集和测试集上并行化。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关详细信息，请参阅词汇表。

pre_dispatchint or str, default=’all’

并行执行的预调度作业数（默认为全部）。该选项可以减少分配的内存。该字符串可以是像“2*n_jobs”这样的表达式。

verboseint, default=0

控制详细程度：值越高，消息越多。

shufflebool, default=False

是否根据 `train_sizes` 取前缀之前打乱训练数据。

random_stateint, RandomState instance or None, default=None

当 shuffle 为 True 时使用。传入一个 int 以在多次函数调用中获得可重现的输出。请参阅词汇表。

error_score‘raise’ or numeric, default=np.nan

如果估计器拟合中发生错误，分配给分数的值。如果设置为 'raise'，则会引发错误。如果给定一个数值，则会引发 FitFailedWarning。

fit_paramsdict, default=None

要传递给估计器拟合方法的参数。

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。

negate_scorebool, default=False

是否对通过 learning_curve 获得的分数取反。这在使用 scikit-learn 中表示为 neg_* 的误差时特别有用。

score_namestr, default=None

用于修饰绘图 y 轴的分数名称。它将覆盖从 scoring 参数推断出的名称。如果 score 为 None，则如果 negate_score 为 False，我们使用 "Score"，否则使用 "Negative score"。如果 scoring 是字符串或可调用对象，我们推断名称。我们将 _ 替换为空格并大写首字母。如果 negate_score 为 False，我们删除 neg_ 并替换为 "Negative"，否则直接删除它。

score_type{“test”, “train”, “both”}, default=”both”

要绘制的分数类型。可以是 "test"、"train" 或 "both" 之一。

std_display_style{“errorbar”, “fill_between”} or None, default=”fill_between”

用于显示平均分数周围分数标准差的样式。如果为 None，则不显示标准差的表示。

line_kwdict, 默认=None

传递给用于绘制平均分数的 plt.plot 的附加关键字参数。

fill_between_kwdict, default=None

传递给用于绘制分数标准差的 plt.fill_between 的附加关键字参数。

errorbar_kwdict, default=None

传递给用于绘制平均分数和标准差分数的 plt.errorbar 的附加关键字参数。

返回:

displayLearningCurveDisplay: 存储计算值的对象。

示例

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import LearningCurveDisplay
>>> from sklearn.tree import DecisionTreeClassifier
>>> X, y = load_iris(return_X_y=True)
>>> tree = DecisionTreeClassifier(random_state=0)
>>> LearningCurveDisplay.from_estimator(tree, X, y)
<...>
>>> plt.show()

../../_images/sklearn-model_selection-LearningCurveDisplay-2.png

plot(ax=None, *, negate_score=False, score_name=None, score_type='both', std_display_style='fill_between', line_kw=None, fill_between_kw=None, errorbar_kw=None)[source]#

绘制可视化图。

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。
negate_scorebool, default=False: 是否对通过 learning_curve 获得的分数取反。这在使用 scikit-learn 中表示为 neg_* 的误差时特别有用。
score_namestr, default=None: 用于修饰绘图 y 轴的分数名称。它将覆盖从 scoring 参数推断出的名称。如果 score 为 None，则如果 negate_score 为 False，我们使用 "Score"，否则使用 "Negative score"。如果 scoring 是字符串或可调用对象，我们推断名称。我们将 _ 替换为空格并大写首字母。如果 negate_score 为 False，我们删除 neg_ 并替换为 "Negative"，否则直接删除它。
score_type{“test”, “train”, “both”}, default=”both”: 要绘制的分数类型。可以是 "test"、"train" 或 "both" 之一。
std_display_style{“errorbar”, “fill_between”} or None, default=”fill_between”: 用于显示平均分数周围分数标准差的样式。如果为 None，则不显示标准差表示。
line_kwdict, 默认=None: 传递给用于绘制平均分数的 plt.plot 的附加关键字参数。
fill_between_kwdict, default=None: 传递给用于绘制分数标准差的 plt.fill_between 的附加关键字参数。
errorbar_kwdict, default=None: 传递给用于绘制平均分数和标准差分数的 plt.errorbar 的附加关键字参数。

返回: