PredictionErrorDisplay

classsklearn.metrics.PredictionErrorDisplay(*, y_true, y_pred)[исходный код]

Визуализация ошибки предсказания модели регрессии.

Этот инструмент позволяет с помощью диаграмм рассеяния отображать графики «остатки от предсказанных значений» или «фактические значения от предсказанных», чтобы качественно оценить поведение регрессора, предпочтительно на отложенных данных.

Подробности см. в документации from_estimator или from_predictions, где описано создание визуализатора. Все параметры хранятся в виде атрибутов.

Общие сведения об инструментах визуализации scikit-learn см. в руководстве по визуализации. Подробные сведения об интерпретации этих графиков см. в руководстве по оценке моделей.

Добавлено в версии 1.2.

Параметры:

y_truendarray формы (n_samples,)

Истинные значения.

y_predndarray формы (n_samples,)

Предсказанные значения.

Атрибуты:

line_matplotlib Artist

Оптимальная линия, представляющая y_true == y_pred. Поэтому для kind="predictions" это диагональная линия, а для kind="residuals" — горизонтальная.

errors_lines_matplotlib Artist или None

Линии остатков. Если with_errors=False, атрибут принимает значение None.

scatter_matplotlib Artist

Точки данных на диаграмме рассеяния.

ax_matplotlib Axes

Оси с различными осями matplotlib.

figure_matplotlib Figure

Рисунок с точками и линиями.

См. также

PredictionErrorDisplay.from_estimator

Визуализация ошибки предсказания на основе оценивателя и данных.

PredictionErrorDisplay.from_predictions

Визуализация ошибки предсказания на основе истинных и предсказанных целевых значений.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_diabetes
>>> from sklearn.linear_model import Ridge
>>> from sklearn.metrics import PredictionErrorDisplay
>>> X, y = load_diabetes(return_X_y=True)
>>> ridge = Ridge().fit(X, y)
>>> y_pred = ridge.predict(X)
>>> display = PredictionErrorDisplay(y_true=y, y_pred=y_pred)
>>> display.plot()
<...>
>>> plt.show()

classmethodfrom_estimator(estimator, X, y, *, kind='residual_vs_predicted', subsample=1000, random_state=None, ax=None, scatter_kwargs=None, line_kwargs=None)[исходный код]

Построение графика ошибки предсказания на основе регрессора и данных.

Общие сведения об инструментах визуализации scikit-learn см. в руководстве по визуализации. Подробные сведения об интерпретации этих графиков см. в руководстве по оценке моделей.

Добавлено в версии 1.2.

Параметры:

estimatorэкземпляр оценивателя

Обученный регрессор или обученный Pipeline, последним оценивателем в котором является регрессор.

X{массивоподобная структура, разреженная матрица} формы (n_samples, n_features)

Входные значения.

yмассивоподобная структура формы (n_samples,)

Целевые значения.

kind{“actual_vs_predicted”, “residual_vs_predicted”}, по умолчанию “residual_vs_predicted”

Тип строящегося графика:

• “actual_vs_predicted” отображает наблюдаемые значения (ось y) в зависимости от предсказанных значений (ось x).
• “residual_vs_predicted” отображает остатки, то есть разность между наблюдаемыми и предсказанными значениями (ось y), в зависимости от предсказанных значений (ось x).

subsamplefloat, int или None, по умолчанию 1_000

Выборка точек, отображаемых на диаграмме рассеяния. Если float, значение должно находиться в диапазоне от 0 до 1 и задаёт долю исходного набора данных. Если int, оно задаёт количество точек, отображаемых на диаграмме рассеяния. Если None, выборка не выполняется. По умолчанию отображается не более 1000 точек.

random_stateint или RandomState, по умолчанию None

Управляет случайностью, если subsample не равно None. Подробности см. в глоссарии.

axоси matplotlib, по умолчанию None

Объект осей, на котором строится график. Если None, создаются новый рисунок и оси.

scatter_kwargsdict, по умолчанию None

Словарь с именованными аргументами, передаваемыми в вызов matplotlib.pyplot.scatter.

line_kwargsdict, по умолчанию None

Словарь с именованными аргументами, передаваемыми в вызов matplotlib.pyplot.plot для построения оптимальной линии.

Возвращает:

displayPredictionErrorDisplay

Объект, хранящий вычисленные значения.

См. также

PredictionErrorDisplay

Визуализация ошибки предсказания для регрессии.

PredictionErrorDisplay.from_predictions

Визуализация ошибки предсказания на основе истинных и предсказанных целевых значений.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_diabetes
>>> from sklearn.linear_model import Ridge
>>> from sklearn.metrics import PredictionErrorDisplay
>>> X, y = load_diabetes(return_X_y=True)
>>> ridge = Ridge().fit(X, y)
>>> disp = PredictionErrorDisplay.from_estimator(ridge, X, y)
>>> plt.show()

classmethodfrom_predictions(y_true, y_pred, *, kind='residual_vs_predicted', subsample=1000, random_state=None, ax=None, scatter_kwargs=None, line_kwargs=None)[исходный код]

Построение графика ошибки предсказания на основе истинных и предсказанных целевых значений.

Общие сведения об инструментах визуализации scikit-learn см. в руководстве по визуализации. Подробные сведения об интерпретации этих графиков см. в руководстве по оценке моделей.

Добавлено в версии 1.2.

Параметры:

y_trueмассивоподобная структура формы (n_samples,)

Истинные целевые значения.

y_predмассивоподобная структура формы (n_samples,)

Предсказанные целевые значения.

kind{“actual_vs_predicted”, “residual_vs_predicted”}, по умолчанию “residual_vs_predicted”

Тип строящегося графика:

• “actual_vs_predicted” отображает наблюдаемые значения (ось y) в зависимости от предсказанных значений (ось x).
• “residual_vs_predicted” отображает остатки, то есть разность между наблюдаемыми и предсказанными значениями (ось y), в зависимости от предсказанных значений (ось x).

subsamplefloat, int или None, по умолчанию 1_000

Выборка точек, отображаемых на диаграмме рассеяния. Если float, значение должно находиться в диапазоне от 0 до 1 и задаёт долю исходного набора данных. Если int, оно задаёт количество точек, отображаемых на диаграмме рассеяния. Если None, выборка не выполняется. По умолчанию отображается не более 1000 точек.

random_stateint или RandomState, по умолчанию None

Управляет случайностью, если subsample не равно None. Подробности см. в глоссарии.

axоси matplotlib, по умолчанию None

Объект осей, на котором строится график. Если None, создаются новый рисунок и оси.

scatter_kwargsdict, по умолчанию None

Словарь с именованными аргументами, передаваемыми в вызов matplotlib.pyplot.scatter.

line_kwargsdict, по умолчанию None

Словарь с именованными аргументами, передаваемыми в вызов matplotlib.pyplot.plot для построения оптимальной линии.

Возвращает:

displayPredictionErrorDisplay

Объект, хранящий вычисленные значения.

См. также

PredictionErrorDisplay

Визуализация ошибки предсказания для регрессии.

PredictionErrorDisplay.from_estimator

Визуализация ошибки предсказания на основе оценивателя и данных.

Примеры

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import load_diabetes
>>> from sklearn.linear_model import Ridge
>>> from sklearn.metrics import PredictionErrorDisplay
>>> X, y = load_diabetes(return_X_y=True)
>>> ridge = Ridge().fit(X, y)
>>> y_pred = ridge.predict(X)
>>> disp = PredictionErrorDisplay.from_predictions(y_true=y, y_pred=y_pred)
>>> plt.show()

plot(ax=None, *, kind='residual_vs_predicted', scatter_kwargs=None, line_kwargs=None)[исходный код]

Построение графика визуализации.

Дополнительные именованные аргументы передаются в plot matplotlib.

Параметры:

axоси matplotlib, по умолчанию None

Объект осей, на котором строится график. Если None, создаются новый рисунок и оси.

kind{“actual_vs_predicted”, “residual_vs_predicted”}, по умолчанию “residual_vs_predicted”

Тип строящегося графика:

• “actual_vs_predicted” отображает наблюдаемые значения (ось y) в зависимости от предсказанных значений (ось x).
• “residual_vs_predicted” отображает остатки, то есть разность между наблюдаемыми и предсказанными значениями (ось y), в зависимости от предсказанных значений (ось x).

scatter_kwargsdict, по умолчанию None

Словарь с именованными аргументами, передаваемыми в вызов matplotlib.pyplot.scatter.

line_kwargsdict, по умолчанию None

Словарь с именованными аргументами, передаваемыми в вызов matplotlib.pyplot.plot для построения оптимальной линии.

Возвращает:

displayPredictionErrorDisplay

Объект, хранящий вычисленные значения.

Примеры из галереи

Создание признаков, связанных со временем

Отстающие признаки для прогнозирования временных рядов

Влияние преобразования целевых значений в модели регрессии

Объединение предикторов с помощью стекинга

Распространённые ошибки при интерпретации коэффициентов линейных моделей

Визуализация предсказаний с перекрёстной проверкой

Основные нововведения scikit-learn 1.2