PredictionErrorDisplay#

class sklearn.metrics.PredictionErrorDisplay(*, y_true, y_pred)#

预测回归模型的误差可视化。

该工具可以使用散点图显示“残差 vs 预测”或“实际 vs 预测”，以定性地评估回归器的行为，最好是在保留的数据点上进行。

有关详细信息，请参阅 from_estimator 或 from_predictions 的文档字符串，以创建可视化工具。所有参数都存储为属性。

有关 scikit-learn 可视化工具的一般信息，请阅读 Visualization Guide 。有关解释这些图表的详细信息，请参阅 Model Evaluation Guide 。

Added in version 1.2.

Parameters:

y_truendarray of shape (n_samples,): 真实值。
y_predndarray of shape (n_samples,): 预测值。

Attributes:

line_matplotlib Artist: 表示 y_true == y_pred 的最佳线条。因此，对于 kind="predictions" 是对角线，对于 kind="residuals" 是水平线。
errors_lines_matplotlib Artist or None: 残差线。如果 with_errors=False ，则设置为 None 。
scatter_matplotlib Artist: 散点数据点。
ax_matplotlib Axes: 包含不同 matplotlib 轴的轴。
figure_matplotlib Figure: 包含散点和线条的图形。

See also

PredictionErrorDisplay.from_estimator: 给定估计器和数据的预测误差可视化。
PredictionErrorDisplay.from_predictions: 给定真实目标和预测目标的预测误差可视化。

Examples

>>> 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)#

绘制给定回归器和数据集的预测误差图。

有关 scikit-learn 可视化工具的一般信息，请阅读更多内容在可视化指南中。有关解释这些图表的详细信息，请参阅模型评估指南。

Added in version 1.2.

Parameters:

estimatorestimator instance

拟合的回归器或拟合的 Pipeline ，其中最后一个估计器是回归器。

X{array-like, sparse matrix} of shape (n_samples, n_features)

输入值。

yarray-like of shape (n_samples,)

目标值。

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

要绘制的图表类型：

“actual_vs_predicted” 绘制观测值（y轴）与预测值（x轴）。
“residual_vs_predicted” 绘制残差，即观测值与预测值之间的差异（y轴）与预测值（x轴）。

subsamplefloat, int or None, 默认=1_000

对要在散点图上显示的样本进行采样。如果是 float ，应在 0 和 1 之间，表示原始数据集的比例。如果是 int ，表示散点图上显示的样本数量。如果是 None ，则不应用子采样。默认情况下，显示 1000 个样本或更少。

random_stateint or RandomState, 默认=None

当 subsample 不是 None 时控制随机性。有关详细信息，请参阅 Glossary 。

axmatplotlib axes, 默认=None

要在其上绘制的轴对象。如果为 None ，则创建一个新的图形和轴。

scatter_kwargsdict, 默认=None

传递给 matplotlib.pyplot.scatter 调用的关键字字典。

line_kwargsdict, 默认=None

传递给 matplotlib.pyplot.plot 调用以绘制最佳线的关键字字典。

Returns:

displayPredictionErrorDisplay: 存储计算值的对象。

See also

PredictionErrorDisplay: 回归预测误差可视化。
PredictionErrorDisplay.from_predictions: 给定真实目标和预测目标的预测误差可视化。

Examples

>>> 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)#