5. 可视化#

Scikit-learn 定义了一个简单的 API 用于创建机器学习的可视化。该 API 的关键特性是允许快速绘制和进行视觉调整，而无需重新计算。我们提供了 Display 类，它们公开了两种用于创建绘图的方法：from_estimator 和 from_predictions。 from_estimator 方法将接受一个拟合的估计器和一些数据 (X 和 y)，并创建一个 Display 对象。有时，我们只想计算一次预测，在这种情况下应该使用 from_predictions 而不是 from_estimator。在以下示例中，我们为拟合的支持向量机绘制了 ROC 曲线

from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import RocCurveDisplay
from sklearn.datasets import load_wine

X, y = load_wine(return_X_y=True)
y = y == 2  # make binary
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
svc = SVC(random_state=42)
svc.fit(X_train, y_train)

svc_disp = RocCurveDisplay.from_estimator(svc, X_test, y_test)

返回的 svc_disp 对象允许我们在未来的绘图中继续使用已经计算的 SVC 的 ROC 曲线。在这种情况下，svc_disp 是一个 RocCurveDisplay，它将计算的值存储为名为 roc_auc、fpr 和 tpr 的属性。请注意，我们可以从支持向量机中获取预测，然后使用 from_predictions 而不是 from_estimator。接下来，我们训练一个随机森林分类器，并使用 Display 对象的 plot 方法再次绘制先前计算的 ROC 曲线。

import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier

rfc = RandomForestClassifier(n_estimators=10, random_state=42)
rfc.fit(X_train, y_train)

ax = plt.gca()
rfc_disp = RocCurveDisplay.from_estimator(rfc, X_test, y_test, ax=ax, alpha=0.8)
svc_disp.plot(ax=ax, alpha=0.8)

请注意，我们将 alpha=0.8 传递给绘图函数以调整曲线的 alpha 值。

示例

5.1. 可用的绘图工具#

5.1.1. Display 对象#

`calibration.CalibrationDisplay`(prob_true, ...)	校准曲线（也称为可靠性图）可视化。
`inspection.PartialDependenceDisplay`(...[, ...])	部分依赖图 (PDP)。
`inspection.DecisionBoundaryDisplay`(*, xx0, ...)	决策边界可视化。
`metrics.ConfusionMatrixDisplay`(...[, ...])	混淆矩阵可视化。
`metrics.DetCurveDisplay`(*, fpr, fnr[, ...])	DET 曲线可视化。
`metrics.PrecisionRecallDisplay`(precision, ...)	精确率召回率可视化。
`metrics.PredictionErrorDisplay`(*, y_true, y_pred)	回归模型预测误差可视化。
`metrics.RocCurveDisplay`(*, fpr, tpr[, ...])	ROC 曲线可视化。
`model_selection.LearningCurveDisplay`(*, ...)	学习曲线可视化。
`model_selection.ValidationCurveDisplay`(*, ...)	验证曲线可视化。