PredictionErrorDisplay#

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

Visualisierung des Vorhersagefehlers eines Regressionsmodells.

Dieses Werkzeug kann „Residuen vs. Vorhersagen“ oder „Tatsächlich vs. Vorhersagen“ mithilfe von Streudiagrammen anzeigen, um das Verhalten eines Regressors qualitativ zu bewerten, vorzugsweise an gehaltenen Datenpunkten.

Einzelheiten finden Sie in den Docstrings von from_estimator oder from_predictions zum Erstellen eines Visualisierers. Alle Parameter werden als Attribute gespeichert.

Allgemeine Informationen zu den Visualisierungswerkzeugen von scikit-learn finden Sie im Visualisierungsleitfaden. Details zur Interpretation dieser Diagramme finden Sie im Modellbewertungsleitfaden.

Hinzugefügt in Version 1.2.

Parameter:
y_truendarray mit Form (n_samples,)

Wahre Werte.

y_predndarray von Form (n_samples,)

Vorhersagewerte.

Attribute:
line_matplotlib Artist

Optimale Linie, die y_true == y_pred darstellt. Daher ist es eine diagonale Linie für kind="predictions" und eine horizontale Linie für kind="residuals".

errors_lines_matplotlib Artist oder None

Residuenlinien. Wenn with_errors=False, wird es auf None gesetzt.

scatter_matplotlib Artist

Streudatenpunkte.

ax_matplotlib Axes

Achsen mit den verschiedenen matplotlib-Achsen.

figure_matplotlib Figure

Figur, die den Streuplot und die Linien enthält.

Siehe auch

PredictionErrorDisplay.from_estimator

Vorhersagefehlervisualisierung gegeben einen Schätzer und einige Daten.

PredictionErrorDisplay.from_predictions

Vorhersagefehlervisualisierung gegeben die wahren und vorhergesagten Ziele.

Beispiele

>>> 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)[Quelle]#

Zeichnen Sie den Vorhersagefehler gegeben einen Regressor und einige Daten.

Allgemeine Informationen zu den Visualisierungswerkzeugen von scikit-learn finden Sie im Visualisierungsleitfaden. Details zur Interpretation dieser Diagramme finden Sie im Modellbewertungsleitfaden.

Hinzugefügt in Version 1.2.

Parameter:
estimatorSchätzer-Instanz

Angepasster Regressor oder eine angepasste Pipeline, bei der der letzte Schätzer ein Regressor ist.

X{array-like, sparse matrix} der Form (n_samples, n_features)

Eingabewerte.

yarray-like von Form (n_samples,)

Zielwerte.

kind{„actual_vs_predicted“, „residual_vs_predicted“}, Standardwert=„residual_vs_predicted“

Die Art des zu zeichnenden Diagramms.

  • „actual_vs_predicted“ zeichnet die beobachteten Werte (y-Achse) gegen die vorhergesagten Werte (x-Achse).

  • „residual_vs_predicted“ zeichnet die Residuen, d. h. die Differenz zwischen beobachteten und vorhergesagten Werten, (y-Achse) gegen die vorhergesagten Werte (x-Achse).

subsamplefloat, int oder None, Standardwert=1_000

Stichprobennahme der anzuzeigenden Stichproben im Streudiagramm. Wenn float, sollte es zwischen 0 und 1 liegen und den Anteil des ursprünglichen Datensatzes darstellen. Wenn int, repräsentiert es die Anzahl der im Streudiagramm angezeigten Stichproben. Wenn None, wird keine Stichprobennahme angewendet. Standardmäßig werden 1000 oder weniger Stichproben angezeigt.

random_stateint oder RandomState, Standardwert=None

Steuert die Zufälligkeit, wenn subsample nicht None ist. Einzelheiten finden Sie unter Glossar.

axmatplotlib axes, Standardwert=None

Axes-Objekt, auf dem geplottet werden soll. Wenn None, wird eine neue Figur und Achse erstellt.

scatter_kwargsdict, Standardwert=None

Wörterbuch mit Schlüsselwörtern, die an den matplotlib.pyplot.scatter-Aufruf übergeben werden.

line_kwargsdict, Standardwert=None

Wörterbuch mit Schlüsselwörtern, die an den matplotlib.pyplot.plot-Aufruf übergeben werden, um die optimale Linie zu zeichnen.

Gibt zurück:
displayPredictionErrorDisplay

Objekt, das die berechneten Werte speichert.

Siehe auch

PredictionErrorDisplay

Vorhersagefehlervisualisierung für Regression.

PredictionErrorDisplay.from_predictions

Vorhersagefehlervisualisierung gegeben die wahren und vorhergesagten Ziele.

Beispiele

>>> 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)[Quelle]#

Zeichnen Sie den Vorhersagefehler gegeben die wahren und vorhergesagten Ziele.

Allgemeine Informationen zu den Visualisierungswerkzeugen von scikit-learn finden Sie im Visualisierungsleitfaden. Details zur Interpretation dieser Diagramme finden Sie im Modellbewertungsleitfaden.

Hinzugefügt in Version 1.2.

Parameter:
y_truearray-ähnlich mit Form (n_samples,)

Wahre Zielwerte.

y_predarray-ähnlich mit Form (n_samples,)

Vorhergesagte Zielwerte.

kind{„actual_vs_predicted“, „residual_vs_predicted“}, Standardwert=„residual_vs_predicted“

Die Art des zu zeichnenden Diagramms.

  • „actual_vs_predicted“ zeichnet die beobachteten Werte (y-Achse) gegen die vorhergesagten Werte (x-Achse).

  • „residual_vs_predicted“ zeichnet die Residuen, d. h. die Differenz zwischen beobachteten und vorhergesagten Werten, (y-Achse) gegen die vorhergesagten Werte (x-Achse).

subsamplefloat, int oder None, Standardwert=1_000

Stichprobennahme der anzuzeigenden Stichproben im Streudiagramm. Wenn float, sollte es zwischen 0 und 1 liegen und den Anteil des ursprünglichen Datensatzes darstellen. Wenn int, repräsentiert es die Anzahl der im Streudiagramm angezeigten Stichproben. Wenn None, wird keine Stichprobennahme angewendet. Standardmäßig werden 1000 oder weniger Stichproben angezeigt.

random_stateint oder RandomState, Standardwert=None

Steuert die Zufälligkeit, wenn subsample nicht None ist. Einzelheiten finden Sie unter Glossar.

axmatplotlib axes, Standardwert=None

Axes-Objekt, auf dem geplottet werden soll. Wenn None, wird eine neue Figur und Achse erstellt.

scatter_kwargsdict, Standardwert=None

Wörterbuch mit Schlüsselwörtern, die an den matplotlib.pyplot.scatter-Aufruf übergeben werden.

line_kwargsdict, Standardwert=None

Wörterbuch mit Schlüsselwörtern, die an den matplotlib.pyplot.plot-Aufruf übergeben werden, um die optimale Linie zu zeichnen.

Gibt zurück:
displayPredictionErrorDisplay

Objekt, das die berechneten Werte speichert.

Siehe auch

PredictionErrorDisplay

Vorhersagefehlervisualisierung für Regression.

PredictionErrorDisplay.from_estimator

Vorhersagefehlervisualisierung gegeben einen Schätzer und einige Daten.

Beispiele

>>> 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)
>>> disp = PredictionErrorDisplay.from_predictions(y_true=y, y_pred=y_pred)
>>> plt.show()
../../_images/sklearn-metrics-PredictionErrorDisplay-3.png
plot(ax=None, *, kind='residual_vs_predicted', scatter_kwargs=None, line_kwargs=None)[Quelle]#

Visualisierung plotten.

Zusätzliche Schlüsselwortargumente werden an plot von matplotlib übergeben.

Parameter:
axmatplotlib axes, Standardwert=None

Axes-Objekt, auf dem geplottet werden soll. Wenn None, wird eine neue Figur und Achse erstellt.

kind{„actual_vs_predicted“, „residual_vs_predicted“}, Standardwert=„residual_vs_predicted“

Die Art des zu zeichnenden Diagramms.

  • „actual_vs_predicted“ zeichnet die beobachteten Werte (y-Achse) gegen die vorhergesagten Werte (x-Achse).

  • „residual_vs_predicted“ zeichnet die Residuen, d. h. die Differenz zwischen beobachteten und vorhergesagten Werten, (y-Achse) gegen die vorhergesagten Werte (x-Achse).

scatter_kwargsdict, Standardwert=None

Wörterbuch mit Schlüsselwörtern, die an den matplotlib.pyplot.scatter-Aufruf übergeben werden.

line_kwargsdict, Standardwert=None

Wörterbuch mit Schlüsselwörtern, die an den matplotlib.pyplot.plot-Aufruf übergeben werden, um die optimale Linie zu zeichnen.

Gibt zurück:
displayPredictionErrorDisplay

Objekt, das berechnete Werte speichert.