CalibrationDisplay

class sklearn.calibration.CalibrationDisplay(prob_true, prob_pred, y_prob, *, estimator_name=None, pos_label=None)

Calibration curve (also known as reliability diagram) visualization.

It is recommended to use from_estimator or from_predictions to create a CalibrationDisplay. All parameters are stored as attributes.

有关校准的更多信息，请参阅 User Guide 以及有关scikit-learn可视化API的更多信息 可视化 .

有关如何使用可视化的示例，请参阅 概率校准曲线 .

Added in version 1.0.

参数:

prob_true形状的nd数组（n_bins，）

每个箱中类别为阳性类别（阳性分数）的样本比例。

prob_pred形状的nd数组（n_bins，）

每个箱中的平均预测概率。

y_prob形状的nd数组（n_samples，）

每个样本的阳性类别的概率估计。

estimator_name字符串，默认=无

估算者姓名。如果无，则不会显示估计器名称。

pos_labelint、float、bool或string，默认值为无

The positive class when computing the calibration curve. By default, pos_label is set to estimators.classes_[1] when using from_estimator and set to 1 when using from_predictions.

Added in version 1.1.

属性:

line_matplotlib艺术家

校准曲线。

ax_matplotlib轴

带有校准曲线的轴。

figure_matplotlib图

包含曲线的图形。

参见

calibration_curve

计算校准曲线的真实概率和预测概率。

CalibrationDisplay.from_predictions

使用真实和预测标签绘制校准曲线。

CalibrationDisplay.from_estimator

使用估计器和数据绘制校准曲线。

示例

>>> 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()
<...>

classmethod from_estimator(estimator, X, y, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ref_line=True, ax=None, **kwargs)

使用二元分类器和数据绘制校准曲线。

校准曲线（也称为可靠性图）使用来自二进制分类器的输入，并在y轴上绘制每个箱的平均预测概率相对于阳性类别的分数。

额外的关键字参数将传递给 matplotlib.pyplot.plot .

有关校准的更多信息，请参阅 User Guide 以及有关scikit-learn可视化API的更多信息 可视化 .

Added in version 1.0.

参数:

estimator估计器实例

安装分类器或安装 Pipeline 其中最后一个估计器是分类器。分类器必须有 predict_proba 法

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

输入值。

y形状类似阵列（n_samples，）

二进制目标值。

n_binsint，默认=5

要离散化的箱数 [0, 1] 计算校准曲线时的间隔。更大的数字需要更多的数据。

strategy' unique '，'分位数'，默认=' unique '

用于定义箱宽度的策略。

• 'uniform': The bins have identical widths.

• 'quantile' ：箱具有相同数量的样本并取决于预测概率。

pos_labelint、float、bool或string，默认值为无

The positive class when computing the calibration curve. By default, estimators.classes_[1] is considered as the positive class.

Added in version 1.1.

name字符串，默认=无

标记曲线的名称。如果 None ，使用估计器的名称。

ref_line布尔，默认=True

如果 True 绘制了表示完美校准的分类器的参考线。

axmatplotlib轴，默认=无

轴反对绘图。如果 None ，创建新图形和轴。

**kwargsdict

要传递给的关键字参数 matplotlib.pyplot.plot .

返回:

display : CalibrationDisplay .校准显示。

存储计算值的对象。

参见

CalibrationDisplay.from_predictions

使用真实和预测标签绘制校准曲线。

示例

>>> 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()

classmethod from_predictions(y_true, y_prob, *, n_bins=5, strategy='uniform', pos_label=None, name=None, ref_line=True, ax=None, **kwargs)

Plot calibration curve using true labels and predicted probabilities.

校准曲线（也称为可靠性图）使用来自二进制分类器的输入，并在y轴上绘制每个箱的平均预测概率与阳性类别的比例。

额外的关键字参数将传递给 matplotlib.pyplot.plot .

有关校准的更多信息，请参阅 User Guide 以及有关scikit-learn可视化API的更多信息 可视化 .

Added in version 1.0.

参数:

y_true形状类似阵列（n_samples，）

真正的标签。

y_prob形状类似阵列（n_samples，）

阳性类别的预测概率。

n_binsint，默认=5

要离散化的箱数 [0, 1] 计算校准曲线时的间隔。更大的数字需要更多的数据。

strategy' unique '，'分位数'，默认=' unique '

用于定义箱宽度的策略。

• 'uniform': The bins have identical widths.

• 'quantile' ：箱具有相同数量的样本并取决于预测概率。

pos_labelint、float、bool或string，默认值为无

计算校准曲线时的正值类别。默认情况下 pos_label 设置为1。

Added in version 1.1.

name字符串，默认=无

标记曲线的名称。

ref_line布尔，默认=True

如果 True 绘制了表示完美校准的分类器的参考线。

axmatplotlib轴，默认=无

轴反对绘图。如果 None ，创建新图形和轴。

**kwargsdict

要传递给的关键字参数 matplotlib.pyplot.plot .

返回:

display : CalibrationDisplay .校准显示。

存储计算值的对象。

参见

CalibrationDisplay.from_estimator

使用估计器和数据绘制校准曲线。

示例

>>> 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)

情节可视化。

额外的关键字参数将传递给 matplotlib.pyplot.plot .

参数:

axMatplotlib轴，默认=无

轴反对绘图。如果 None ，创建新图形和轴。

name字符串，默认=无

标记曲线的名称。如果 None ，使用 estimator_name 如果不是 None 否则不显示标记。

ref_line布尔，默认=True

如果 True 绘制了表示完美校准的分类器的参考线。

**kwargsdict

要传递给的关键字参数 matplotlib.pyplot.plot .

返回:

display : CalibrationDisplayCalibrationDisplay

存储计算值的对象。