CalibrationDisplay

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

Визуализация кривой калибровки (также известной как диаграмма надежности).

Рекомендуется использовать from_estimator или from_predictions для создания графика. Все параметры сохраняются в качестве атрибутов.

Дополнительные сведения о калибровке см. в Руководстве пользователя, а об API визуализации scikit-learn см. в Визуализациях.

Пример использования визуализации см. в Кривых калибровки вероятностей.

Добавлен в версии 1.0.

Параметры:

prob_truendarray формы (n_bins,)

Доля выборок, класс которых является положительным классом (доля положительных), в каждом интервале.

prob_predndarray формы (n_bins,)

Среднее предсказанное значение вероятности в каждом интервале.

y_probndarray формы (n_samples,)

Оценки вероятности для положительного класса для каждой выборки.

estimator_namestr, по умолчанию=None

Имя оценщика. Если None, имя оценщика не отображается.

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

Положительный класс при вычислении кривой калибровки. По умолчанию, pos_label устанавливается в estimators.classes_[1], когда используется from_estimator, и устанавливается в 1, когда используется from_predictions.

Добавлен в версии 1.1.

Атрибуты:

line_matplotlib Объект

Кривая калибровки.

ax_matplotlib Оси

Оси с кривой калибровки.

figure_matplotlib Рисунок

Рисунок, содержащий кривую.

См. также

calibration_curve

Вычисление истинных и предсказанных вероятностей для кривой калибровки.

CalibrationDisplay.from_predictions

Строит кривую калибровки, используя истинные и предсказанные метки.

CalibrationDisplay.from_estimator

Строит кривую калибровки, используя оценщик и данные.

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, ref_line=True, ax=None, **kwargs)[source]

Строит кривую калибровки, используя бинарный классификатор и данные.

Кривая калибровки, также известная как диаграмма надежности, использует данные бинарного классификатора и строит среднюю предсказанную вероятность для каждого интервала по оси y против доли положительных классов.

Дополнительные ключевые аргументы будут переданы в matplotlib.pyplot.plot.

Дополнительные сведения о калибровке см. в Руководстве пользователя, а об API визуализации scikit-learn см. в Визуализациях.

Добавлен в версии 1.0.

Параметры:

estimatorэкземпляр оценщика

Обученный классификатор или обученная Pipeline, в которой последний оценщик является классификатором. Классификатор должен иметь метод predict_proba.

X{array-like, sparse matrix} формы (n_samples, n_features)

Входные значения.

yarray-like формы (n_samples,)

Двоичные целевые значения.

n_binsint, по умолчанию=5

Количество интервалов для дискретизации интервала [0, 1] при вычислении кривой калибровки. Большее число требует больше данных.

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

Стратегия, используемая для определения ширины интервалов.

• 'uniform': Интервалы имеют одинаковую ширину.
• 'quantile': Интервалы имеют одинаковое количество выборок и зависят от предсказанных вероятностей.

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

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

Добавлен в версии 1.1.

namestr, по умолчанию=None

Имя для маркировки кривой. Если None, используется имя оценщика.

ref_linebool, по умолчанию=True

Если True, рисуется справочная линия, представляющая идеально откалиброванный классификатор.

axmatplotlib оси, по умолчанию=None

Объект осей для построения графика. Если None, создается новый рисунок и оси.

**kwargsdict

Ключевые аргументы для передачи в matplotlib.pyplot.plot.

Возвращаемое значение:

displayCalibrationDisplay.

Объект, хранящий вычисленные значения.

См. также

CalibrationDisplay.from_predictions

Строит кривую калибровки, используя истинные и предсказанные метки.

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, ref_line=True, ax=None, **kwargs)[source]

Построение кривой калибровки с использованием истинных меток и предсказанных вероятностей.

Кривая калибровки, также известная как диаграмма надёжности, использует входные данные из бинарного классификатора и строит среднюю предсказанную вероятность для каждого интервала против доли положительных классов по оси y.

Дополнительные ключевые аргументы будут переданы в matplotlib.pyplot.plot.

Подробнее о калибровке см. в Руководстве пользователя, а о визуализационном API scikit-learn см. в Визуализации.

Добавлена 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 для дискретизации интервала [0, 1] при расчете кривой калибровки. Большее число требует больше данных.

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

Стратегия, используемая для определения ширины интервалов.

• 'uniform': Интервалы имеют одинаковую ширину.
• 'quantile': Интервалы имеют одинаковое число образцов и зависят от предсказанных вероятностей.

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

Положительный класс при вычислении кривой калибровки. По умолчанию pos_label установлено в 1.

Добавлена в версии 1.1.

namestr, по умолчанию=None

Имя для маркировки кривой.

ref_linebool, по умолчанию=True

Если True, рисует справочную линию, представляющую идеально откалиброванный классификатор.

axmatplotlib axes, по умолчанию=None

Объект осей для построения графика. Если None, создается новая фигура и оси.

**kwargsdict

Ключевые аргументы, которые будут переданы в matplotlib.pyplot.plot.

Возвращает:

displayCalibrationDisplay.

Объект, хранящий вычисленные значения.

См. также

CalibrationDisplay.from_estimator

Построение кривой калибровки с использованием оценщика 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)[source]

Построение визуализации.

Дополнительные ключевые аргументы будут переданы в matplotlib.pyplot.plot.

Параметры:

axMatplotlib Axes, по умолчанию=None

Объект осей для построения графика. Если None, создается новая фигура и оси.

namestr, по умолчанию=None

Имя для маркировки кривой. Если None, используется estimator_name если не None, в противном случае маркировка не отображается.

ref_linebool, по умолчанию=True

Если True, рисует справочную линию, представляющую идеально откалиброванный классификатор.

**kwargsdict

Ключевые аргументы, которые будут переданы в matplotlib.pyplot.plot.

Возвращает:

displayCalibrationDisplay

Объект, хранящий вычисленные значения.

Примеры галереи

Сравнение калибровки классификаторов

Кривые калибровки вероятностей