Sklea. Calibration . Calibration_Curve¶

احتمالات درست و پیش بینی شده برای منحنی کالیبراسیون را محاسبه کنید.

این روش فرض می کند که ورودی ها از طبقه بندی باینری حاصل می شوند و فاصله [0 ، 1] را به سطل ها تقسیم می کنند.

منحنی های کالیبراسیون همچنین ممکن است به عنوان نمودارهای قابلیت اطمینان گفته شود.

در راهنمای کاربر بیشتر بخوانید.

پارامترها: y_true مانند شکل شکل (n_samples ،)

y_prob مانند شکل (n_samples ،)

احتمالات کلاس مثبت.

pos_label int یا str ، پیش فرض = هیچ

برچسب کلاس مثبت.

جدید در نسخه 1. 1.

طبیعی کردن BOOL ، DEFAULT = "مستهجن"

این که آیا Y_PROB باید در فاصله [0 ، 1] نرمال شود ، یعنی یک احتمال مناسب نیست. اگر درست باشد ، کوچکترین مقدار در Y_PROB به صورت خطی روی 0 و بزرگترین مورد بر روی 1 نقشه برداری می شود.

از نسخه 1. 1 مستهلک می شود: استدلال عادی سازی در v1. 1 کاهش می یابد و در v1. 3 حذف می شود. صریحاً عادی سازی Y_PROB این رفتار را تولید مثل می کند ، اما توصیه می شود از یک احتمال مناسب استفاده شود (یعنی کلاس مثبت پیش بینی شده یک طبقه بندی کننده).

n_bins int ، پیش فرض = 5

تعداد سطل برای تفکیک فاصله [0 ، 1]. تعداد بیشتری به داده های بیشتری نیاز دارد. سطل های بدون نمونه (به عنوان مثال بدون مقادیر مربوطه در Y_PROB) بازگردانده نمی شوند ، بنابراین آرایه های برگشتی ممکن است کمتر از مقادیر N_Bins باشند.

استراتژی ، پیش فرض = "لباس"

استراتژی مورد استفاده برای تعریف عرض سطل ها.

سطل های دارای عرض یکسان هستند.

سطل ها همان تعداد نمونه ها را دارند و به Y_PROB بستگی دارند.

بازگشت: prob_true ndarray از شکل (n_bins ،) یا کوچکتر

نسبت نمونه هایی که کلاس آنها کلاس مثبت است ، در هر سطل (کسری از مثبت).

prob_pred ndarray از شکل (n_bins ،) یا کوچکتر

میانگین احتمال پیش بینی شده در هر سطل.

الکساندرو نیکولسکو-میزیل و ریچ کاروانا (2005) با پیش بینی احتمالات خوب با یادگیری تحت نظارت ، در مجموعه مقالات بیست و دومین کنفرانس بین المللی یادگیری ماشین (ICML). به بخش 4 (تجزیه و تحلیل کیفی پیش بینی ها) مراجعه کنید.

>>> وارد كردن اعماق as np >>> از جانب sklea. calibration وارد كردن منحنی کالیبراسیون >>> y_true = np.آرایه([0, 0, 0, 0, 1, 1, 1, 1, 1]) >>> y_pred = np.آرایه([0.1, 0.2, 0.3, 0.4, 0. 65, 0.7, 0.8, 0.9, 1.]) >>> prob_true, prob_pred = منحنی کالیبراسیون(y_true, y_pred, n_bins=3) >>> prob_true آرایه ([0. ، 0. 5 ، 1.]) >>> prob_pred آرایه ([0. 2 ، 0. 525 ، 0. 85])