5. 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：

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 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。

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。

示例

• ROC 曲线与可视化 API

• 使用部分依赖的高级绘图

• 使用显示对象进行可视化

• 分类器校准比较

5.1. 可用的绘图工具

5.1.1. 显示对象

calibration.CalibrationDisplay(prob_true, ...)	校准曲线（也称为可靠性图）可视化。
inspection.PartialDependenceDisplay(...[, ...])	部分依赖图 (PDP)。
inspection.DecisionBoundaryDisplay(*, xx0, ...)	决策边界可视化。
metrics.ConfusionMatrixDisplay(...[, ...])	混淆矩阵可视化。
metrics.DetCurveDisplay(*, fpr, fnr[, ...])	DET曲线可视化。
metrics.PrecisionRecallDisplay(precision, ...)	精确召回率可视化。
metrics.PredictionErrorDisplay(*, y_true, y_pred)	预测回归模型的误差可视化。
metrics.RocCurveDisplay(*, fpr, tpr[, ...])	ROC曲线可视化。
model_selection.LearningCurveDisplay(*, ...)	学习曲线可视化。
model_selection.ValidationCurveDisplay(*, ...)	验证曲线可视化。