calibration_curve#

sklearn.calibration.calibration_curve(y_true, y_prob, *, pos_label=None, n_bins=5, strategy='uniform')[Quelle]#

Berechnet wahre und vorhergesagte Wahrscheinlichkeiten für eine Kalibrierungskurve.

Die Methode geht davon aus, dass die Eingaben von einem binären Klassifikator stammen, und diskretisiert das Intervall [0, 1] in Bins.

Kalibrierungskurven können auch als Zuverlässigkeitsdiagramme bezeichnet werden.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

y_truearray-ähnlich mit Form (n_samples,)

Wahre Zielwerte.

y_probarray-ähnlich mit Form (n_samples,)

Wahrscheinlichkeiten der positiven Klasse.

pos_labelint, float, bool oder str, Standardwert=None

Das Label der positiven Klasse.

Hinzugefügt in Version 1.1.

n_binsint, Standard=5

Anzahl der Bins zur Diskretisierung des Intervalls [0, 1]. Eine größere Anzahl erfordert mehr Daten. Bins ohne Stichproben (d.h. ohne entsprechende Werte in y_prob) werden nicht zurückgegeben, daher können die zurückgegebenen Arrays weniger als n_bins Werte enthalten.

strategy{‘uniform’, ‘quantile’}, Standard=’uniform’

Strategie zur Bestimmung der Breiten der Bins.

uniform: Die Bins haben identische Breiten.
quantile: Die Bins haben die gleiche Anzahl von Stichproben und hängen von y_prob ab.

Gibt zurück:

prob_truendarray mit Form (n_bins,) oder kleiner: Der Anteil der Stichproben, deren Klasse die positive Klasse ist, in jedem Bin (Anteil der positiven Fälle).
prob_predndarray mit Form (n_bins,) oder kleiner: Die mittlere vorhergesagte Wahrscheinlichkeit in jedem Bin.

Siehe auch

CalibrationDisplay.from_predictions: Zeichnet die Kalibrierungskurve unter Verwendung von wahren und vorhergesagten Labels.
CalibrationDisplay.from_estimator: Zeichnet die Kalibrierungskurve unter Verwendung eines Schätzers und von Daten.

Referenzen

Alexandru Niculescu-Mizil und Rich Caruana (2005) Predicting Good Probabilities With Supervised Learning, in Proceedings of the 22nd International Conference on Machine Learning (ICML). Siehe Abschnitt 4 (Qualitative Analysis of Predictions).

Beispiele

>>> import numpy as np
>>> from sklearn.calibration import calibration_curve
>>> y_true = np.array([0, 0, 0, 0, 1, 1, 1, 1, 1])
>>> y_pred = np.array([0.1, 0.2, 0.3, 0.4, 0.65, 0.7, 0.8, 0.9,  1.])
>>> prob_true, prob_pred = calibration_curve(y_true, y_pred, n_bins=3)
>>> prob_true
array([0. , 0.5, 1. ])
>>> prob_pred
array([0.2  , 0.525, 0.85 ])

calibration_curve#

Diese Seite