.. _visualizations:

==============
可视化
==============

Scikit-learn 定义了一个简单的 API，用于为机器学习创建可视化。这个 API 的关键特性是允许快速绘图和视觉调整，而无需重新计算。我们提供了 `Display` 类，这些类公开了两种创建绘图的方法： `from_estimator` 和 `from_predictions` 。 `from_estimator` 方法将接受一个拟合好的估计器和一些数据（ `X` 和 `y` ），并创建一个 `Display` 对象。有时，我们只想计算一次预测，这时应该使用 `from_predictions` 。在下面的示例中，我们为拟合的支持向量机绘制 ROC 曲线：

.. plot::
   :context: close-figs
   :align: center

    from sklearn.model_selection import train_test_split
    from sklearn.svm import SVC
    from sklearn.metrics import RocCurveDisplay
    from sklearn.datasets import load_wine

    X, y = load_wine(return_X_y=True)
    y = y == 2  # 二值化
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
    svc = SVC(random_state=42)
    svc.fit(X_train, y_train)

    svc_disp = RocCurveDisplay.from_estimator(svc, X_test, y_test)

返回的 `svc_disp` 对象允许我们继续在未来的绘图中使用已经计算好的 SVC 的 ROC 曲线。在这种情况下， `svc_disp` 是一个 :class:`~sklearn.metrics.RocCurveDisplay` ，它将计算的值存储为名为 `roc_auc` 、 `fpr` 和 `tpr` 的属性。请注意，我们可以从支持向量机获取预测，然后使用 `from_predictions` 而不是 `from_estimator` 。接下来，我们训练一个随机森林分类器，并通过使用 `Display` 对象的 `plot` 方法再次绘制先前计算的 ROC 曲线。

.. plot::
   :context: close-figs
   :align: center

    import matplotlib.pyplot as plt
    from sklearn.ensemble import RandomForestClassifier

    rfc = RandomForestClassifier(n_estimators=10, random_state=42)
    rfc.fit(X_train, y_train)
    ax = plt.gca()
    rfc_disp = RocCurveDisplay.from_estimator(rfc, X_test, y_test, ax=ax, alpha=0.8)
    svc_disp.plot(ax=ax, alpha=0.8)

请注意，我们将 `alpha=0.8` 传递给绘图函数以调整曲线的 alpha 值。

.. rubric:: 示例

* :ref:`sphx_glr_auto_examples_miscellaneous_plot_roc_curve_visualization_api.py` 
* :ref:`sphx_glr_auto_examples_miscellaneous_plot_partial_dependence_visualization_api.py` 
* :ref:`sphx_glr_auto_examples_miscellaneous_plot_display_object_visualization.py` 
* :ref:`sphx_glr_auto_examples_calibration_plot_compare_calibration.py` 

可用的绘图工具
================

显示对象
---------

.. currentmodule:: sklearn

.. autosummary::

   calibration.CalibrationDisplay
   inspection.PartialDependenceDisplay
   inspection.DecisionBoundaryDisplay
   metrics.ConfusionMatrixDisplay
   metrics.DetCurveDisplay
   metrics.PrecisionRecallDisplay
   metrics.PredictionErrorDisplay
   metrics.RocCurveDisplay
   model_selection.LearningCurveDisplay
   model_selection.ValidationCurveDisplay