Note

Go to the end to download the full example code. or to run this example in your browser via Binder

绘制交叉验证预测#

本示例展示了如何使用 cross_val_predict 以及 PredictionErrorDisplay 来可视化预测误差。

我们将加载糖尿病数据集并创建一个线性回归模型实例。

from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression

X, y = load_diabetes(return_X_y=True)
lr = LinearRegression()

cross_val_predict 返回一个与 y 大小相同的数组，其中每个条目都是通过交叉验证获得的预测。

from sklearn.model_selection import cross_val_predict

y_pred = cross_val_predict(lr, X, y, cv=10)

由于 cv=10 ，这意味着我们训练了10个模型，每个模型用于对10个折中的一个进行预测。我们现在可以使用 PredictionErrorDisplay 来可视化预测误差。

在左轴上，我们绘制观测值 \(y\) 与模型给出的预测值 \(\hat{y}\) 的关系图。在右轴上，我们绘制残差（即观测值与预测值之间的差异）与预测值的关系图。

import matplotlib.pyplot as plt

from sklearn.metrics import PredictionErrorDisplay

fig, axs = plt.subplots(ncols=2, figsize=(8, 4))
PredictionErrorDisplay.from_predictions(
    y,
    y_pred=y_pred,
    kind="actual_vs_predicted",
    subsample=100,
    ax=axs[0],
    random_state=0,
)
axs[0].set_title("Actual vs. Predicted values")
PredictionErrorDisplay.from_predictions(
    y,
    y_pred=y_pred,
    kind="residual_vs_predicted",
    subsample=100,
    ax=axs[1],
    random_state=0,
)
axs[1].set_title("Residuals vs. Predicted Values")
fig.suptitle("Plotting cross-validated predictions")
plt.tight_layout()
plt.show()