PredictionErrorDisplay#

class sklearn.metrics.PredictionErrorDisplay(*, y_true, y_pred)[源代码]#

回归模型预测误差的可视化。

该工具可以使用散点图显示“残余与预测”或“实际与预测”，以定性评估回归量的行为，最好是在已发布的数据点上。

详细信息请参见 from_estimator 或 from_predictions 创建可视化工具。所有参数都存储为属性。

有关的一般信息 scikit-learn 可视化工具，请参阅 Visualization Guide .有关解释这些图的详细信息，请参阅 Model Evaluation Guide .

Added in version 1.2.

参数:

y_true形状的nd数组（n_samples，）: 真正的价值观。
y_pred形状的nd数组（n_samples，）: 预测值。

属性:

line_matplotlib艺术家: Optimal line representing y_true == y_pred. Therefore, it is a diagonal line for kind="predictions" and a horizontal line for kind="residuals".
errors_lines_matplotlib艺术家或无: 残留线。如果 with_errors=False ，然后设置为 None .
scatter_matplotlib艺术家: 分散数据点。
ax_matplotlib轴: 具有不同matplotlib轴的轴。
figure_matplotlib图: 包含散点和线的图形。

参见

PredictionErrorDisplay.from_estimator: 给定估计器和一些数据的预测误差可视化。
PredictionErrorDisplay.from_predictions: Prediction error visualization given the true and predicted targets.

示例

>>> 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()

../../_images/sklearn-metrics-PredictionErrorDisplay-1.png

classmethod from_estimator(estimator, X, y, *, kind='residual_vs_predicted', subsample=1000, random_state=None, ax=None, scatter_kwargs=None, line_kwargs=None)[源代码]#

给出回归量和一些数据，绘制预测误差。

有关的一般信息 scikit-learn 可视化工具，请参阅 Visualization Guide .有关解释这些图的详细信息，请参阅 Model Evaluation Guide .

Added in version 1.2.

参数:

estimator估计器实例

装配回归器或装配 Pipeline 其中最后的估计量是回归量。

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，）

目标值。

kind{“actual_vs_predicted”，“residual_vs_predicted”}，默认=“resident_vs_predicted”

要绘制的打印类型：

“actual_vs_predicted”绘制了观察值（y轴）与预测值（x轴）。
“resident_vs_predicted”绘制了残余，即观察值和预测值之间的差（y轴）与预测值（x轴）。

subsamplefloat、int或无，默认=1_000

对样本进行采样以显示在散点图上。如果 float ，它应该介于0和1之间，并代表原始数据集的比例。如果 int ，它代表散点图上显示的样本数量。如果 None ，不会应用二次抽样。默认情况下，将显示1000个或更少的样本。

random_stateint或RandomState，默认=无

控制随机性 subsample 不 None .看到 Glossary 有关详细信息

axmatplotlib轴，默认=无

轴反对绘图。如果 None ，创建新图形和轴。

scatter_kwargsdict，默认=无

关键词传递给 matplotlib.pyplot.scatter 电话

line_kwargsdict，默认=无

Dictionary with keyword passed to the matplotlib.pyplot.plot call to draw the optimal line.

返回:

display : PredictionErrorDisplayPredictionErrorDisplay: 存储计算值的对象。

参见

PredictionErrorDisplay: 回归的预测误差可视化。
PredictionErrorDisplay.from_predictions: Prediction error visualization given the true and predicted targets.

示例

>>> 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()

../../_images/sklearn-metrics-PredictionErrorDisplay-2.png

classmethod from_predictions(y_true, y_pred, *, kind='residual_vs_predicted', subsample=1000, random_state=None, ax=None, scatter_kwargs=None, line_kwargs=None)[源代码]#

给定真实目标和预测目标绘制预测误差。

有关的一般信息 scikit-learn 可视化工具，请参阅 Visualization Guide .有关解释这些图的详细信息，请参阅 Model Evaluation Guide .

Added in version 1.2.

参数:

y_true形状类似阵列（n_samples，）

真正的目标值。

y_pred形状类似阵列（n_samples，）

预测目标值。

kind{“actual_vs_predicted”，“residual_vs_predicted”}，默认=“resident_vs_predicted”

要绘制的打印类型：

“actual_vs_predicted”绘制了观察值（y轴）与预测值（x轴）。
“resident_vs_predicted”绘制了残余，即观察值和预测值之间的差（y轴）与预测值（x轴）。

subsamplefloat、int或无，默认=1_000

对样本进行采样以显示在散点图上。如果 float ，它应该介于0和1之间，并代表原始数据集的比例。如果 int ，它代表散点图上显示的样本数量。如果 None ，不会应用二次抽样。默认情况下，将显示1000个或更少的样本。

random_stateint或RandomState，默认=无

控制随机性 subsample 不 None .看到 Glossary 有关详细信息

axmatplotlib轴，默认=无

轴反对绘图。如果 None ，创建新图形和轴。

scatter_kwargsdict，默认=无

关键词传递给 matplotlib.pyplot.scatter 电话

line_kwargsdict，默认=无

Dictionary with keyword passed to the matplotlib.pyplot.plot call to draw the optimal line.

返回:

display : PredictionErrorDisplayPredictionErrorDisplay: 存储计算值的对象。

参见

PredictionErrorDisplay: 回归的预测误差可视化。
PredictionErrorDisplay.from_estimator: 给定估计器和一些数据的预测误差可视化。

示例

>>> 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()

../../_images/sklearn-metrics-PredictionErrorDisplay-3.png

plot(ax=None, *, kind='residual_vs_predicted', scatter_kwargs=None, line_kwargs=None)[源代码]#

情节可视化。

额外的关键字参数将传递给matplotlib的 plot .

参数:

axmatplotlib轴，默认=无

轴反对绘图。如果 None ，创建新图形和轴。

kind{“actual_vs_predicted”，“residual_vs_predicted”}，默认=“resident_vs_predicted”

要绘制的打印类型：

“actual_vs_predicted”绘制了观察值（y轴）与预测值（x轴）。
“resident_vs_predicted”绘制了残余，即观察值和预测值之间的差（y轴）与预测值（x轴）。

scatter_kwargsdict，默认=无

关键词传递给 matplotlib.pyplot.scatter 电话

line_kwargsdict，默认=无

Dictionary with keyword passed to the matplotlib.pyplot.plot call to draw the optimal line.

返回:

display : PredictionErrorDisplayPredictionErrorDisplay: 存储计算值的对象。