CalibrationDisplay

classsklearn.calibration.CalibrationDisplay(prob_true, prob_pred, y_prob, *, estimator_name=None, pos_label=None)[исходный код]

Визуализация калибровочной кривой (также известной как диаграмма надежности).

Для создания CalibrationDisplay рекомендуется использовать from_estimator или from_predictions. Все параметры сохраняются в виде атрибутов.

Подробнее о калибровке см. в руководстве пользователя, а о API визуализации scikit-learn — в разделе Визуализации.

Пример использования визуализации см. в разделе Калибровочные кривые вероятностей.

Добавлено в версии 1.0.

Параметры:

prob_truendarray формы (n_bins,)

Доля образцов, принадлежащих к положительному классу (доля положительных результатов), в каждом интервале.

prob_predndarray формы (n_bins,)

Средняя предсказанная вероятность в каждом интервале.

y_probndarray формы (n_samples,)

Оценки вероятности положительного класса для каждого образца.

estimator_namestr, по умолчанию=None

Имя оценивателя. Если значение равно None, имя оценивателя не отображается.

pos_labelint, float, bool или str, по умолчанию=None

Положительный класс при вычислении калибровочной кривой. Если значение не равно None, оно отображается в подписях осей x и y.

Добавлено в версии 1.1.

Атрибуты:

line_matplotlib Artist

Калибровочная кривая.

ax_matplotlib Axes

Область построения с калибровочной кривой.

figure_matplotlib Figure

Рисунок, содержащий кривую.

См. также

calibration_curve

Вычисление истинных и предсказанных вероятностей для калибровочной кривой.

CalibrationDisplay.from_predictions

Построение калибровочной кривой по истинным и предсказанным меткам.

CalibrationDisplay.from_estimator

Построение калибровочной кривой с использованием оценивателя и данных.

Примеры

>>> 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()
<...>

classmethodfrom_estimator(estimator, X, y, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ax=None, ref_line=True, **kwargs)[исходный код]

Построение калибровочной кривой с использованием бинарного классификатора и данных.

Калибровочная кривая, также известная как диаграмма надежности, использует входные данные бинарного классификатора и строит график средней предсказанной вероятности для каждого интервала в зависимости от доли положительных классов по оси y.

Дополнительные именованные аргументы передаются в matplotlib.pyplot.plot.

Подробнее о калибровке см. в руководстве пользователя, а о API визуализации scikit-learn — в разделе Визуализации.

Добавлено в версии 1.0.

Параметры:

estimatorэкземпляр оценивателя

Обученный классификатор или обученный Pipeline, последним оценивателем в котором является классификатор. Классификатор должен иметь метод predict_proba.

X{array-like, разреженная матрица} формы (n_samples, n_features)

Входные значения.

yarray-like формы (n_samples,)

Двоичные целевые значения.

n_binsint, по умолчанию=5

Количество интервалов, на которые разбивается отрезок [0, 1] при вычислении калибровочной кривой. Чем больше это значение, тем больше данных требуется.

strategy{‘uniform’, ‘quantile’}, по умолчанию=’uniform’

Стратегия, используемая для определения ширины интервалов.

• 'uniform': Интервалы имеют одинаковую ширину.
• 'quantile': В интервалах содержится одинаковое количество образцов, а их границы зависят от предсказанных вероятностей.

pos_labelint, float, bool или str, по умолчанию=None

Положительный класс при вычислении калибровочной кривой. По умолчанию положительным классом считается estimators.classes_[1].

Добавлено в версии 1.1.

namestr, по умолчанию=None

Имя для подписи кривой. Если значение равно None, используется имя оценивателя.

axоси matplotlib, по умолчанию=None

Объект осей, на котором строится график. Если значение равно None, создается новый рисунок и объект осей.

ref_linebool, по умолчанию=True

Если значение равно True, строится эталонная линия, соответствующая идеально откалиброванному классификатору.

**kwargsdict

Именованные аргументы, передаваемые в matplotlib.pyplot.plot.

Возвращает:

displayCalibrationDisplay.

Объект, в котором хранятся вычисленные значения.

См. также

CalibrationDisplay.from_predictions

Построение калибровочной кривой по истинным и предсказанным меткам.

Примеры

>>> 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()

classmethodfrom_predictions(y_true, y_prob, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ax=None, ref_line=True, **kwargs)[исходный код]

Построение калибровочной кривой по истинным меткам и предсказанным вероятностям.

Калибровочная кривая, также известная как диаграмма надежности, использует входные данные бинарного классификатора и строит график средней предсказанной вероятности для каждого интервала в зависимости от доли положительных классов по оси y.

Дополнительные именованные аргументы передаются в matplotlib.pyplot.plot.

Подробнее о калибровке см. в руководстве пользователя, а о API визуализации scikit-learn — в разделе Визуализации.

Добавлено в версии 1.0.

Параметры:

y_truearray-like формы (n_samples,)

Истинные метки.

y_probarray-like формы (n_samples,)

Предсказанные вероятности положительного класса.

n_binsint, по умолчанию=5

Количество интервалов, на которые разбивается отрезок [0, 1] при вычислении калибровочной кривой. Чем больше это значение, тем больше данных требуется.

strategy{‘uniform’, ‘quantile’}, по умолчанию=’uniform’

Стратегия, используемая для определения ширины интервалов.

• 'uniform': Интервалы имеют одинаковую ширину.
• 'quantile': В интервалах содержится одинаковое количество образцов, а их границы зависят от предсказанных вероятностей.

pos_labelint, float, bool или str, по умолчанию=None

Положительный класс при вычислении калибровочной кривой. Если значение равно pos_label=None и y_true принадлежит множеству {-1, 1} или {0, 1}, параметру pos_label присваивается значение 1, в противном случае возникает ошибка.

Добавлено в версии 1.1.

namestr, по умолчанию=None

Имя для подписи кривой.

axоси matplotlib, по умолчанию=None

Объект осей, на котором строится график. Если значение равно None, создается новый рисунок и объект осей.

ref_linebool, по умолчанию=True

Если значение равно True, строится эталонная линия, соответствующая идеально откалиброванному классификатору.

**kwargsdict

Именованные аргументы, передаваемые в matplotlib.pyplot.plot.

Возвращает:

displayCalibrationDisplay.

Объект, в котором хранятся вычисленные значения.

См. также

CalibrationDisplay.from_estimator

Построение калибровочной кривой с использованием оценивателя и данных.

Примеры

>>> 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)[исходный код]

Построение визуализации.

Дополнительные именованные аргументы передаются в matplotlib.pyplot.plot.

Параметры:

axоси Matplotlib, по умолчанию=None

Объект осей, на котором строится график. Если значение равно None, создается новый рисунок и объект осей.

namestr, по умолчанию=None

Имя для подписи кривой. Если значение равно None, используется estimator_name, если значение не равно None; в противном случае подпись не отображается.

ref_linebool, по умолчанию=True

Если значение равно True, строится эталонная линия, соответствующая идеально откалиброванному классификатору.

**kwargsdict

Именованные аргументы, передаваемые в matplotlib.pyplot.plot.

Возвращает:

displayCalibrationDisplay

Объект, в котором хранятся вычисленные значения.

Примеры из галереи

Калибровочные кривые вероятностей

Сравнение калибровки классификаторов

Визуализация вероятностей классификации

Основные нововведения scikit-learn 1.8