强大的 Scikit-learn 可视化让模型说话

显示 API 简介

Scikit-learn (sklearn) 工具库提供了一个功能，utils.discovery.all_displays，用于发现和查看可用的显示API。通过该功能，用户可以轻松查看当前Scikit-learn版本中包含的所有“Display” API类。示例如下：

from sklearn.utils.discovery import all_displays
displays = all_displays()

在Scikit-learn 1.4.0版本中，包括但不限于如下类：CalibrationDisplay, ConfusionMatrixDisplay, DecisionBoundaryDisplay, 等等。

显示决策边界

通过inspection.DecisionBoundaryDisplay可以简化绘制决策边界的过程，无需繁琐地使用Matplotlib的多个步骤。使用该API可以直接通过一个方法调用生成决策边界图：

from sklearn.inspection import DecisionBoundaryDisplay
# ... (省略了数据加载和模型训练的代码)
DecisionBoundaryDisplay.from_estimator(svc_clf, X, grid_resolution=1000, xlabel="Petal length (cm)", ylabel="Petal width (cm)")
plt.show()

需要注意的是，这个API只适用于二维数据集。

概率校准

使用calibration.CalibrationDisplay可以生成概率校准曲线，展现模型预测的可信度。该功能要求模型具有predict_proba方法：

from sklearn.calibration import CalibrationDisplay
# ... (省略了数据加载和模型训练的代码)
CalibrationDisplay.from_estimator(proba_clf, X_test, y_test)
plt.show()

显示混淆矩阵

混淆矩阵是分类模型评估的重要工具，metrics.ConfusionMatrixDisplay可以可视化混淆矩阵，帮助理解模型的精确度和召回率：

from sklearn.metrics import ConfusionMatrixDisplay
# ... (省略了数据加载和模型训练的代码)
ConfusionMatrixDisplay.from_estimator(rf_clf, X, y)
plt.show()

Roc 和 Det 曲线

为了并列评估Roc和Det曲线，可以使用metrics.RocCurveDisplay和metrics.DetCurveDisplay。Roc曲线比较模型的真正率和假正率，而Det曲线提供了一个不同的视角，使用假负率和假正率，两者共同帮助评估模型性能：

from sklearn.metrics import RocCurveDisplay, DetCurveDisplay
# ... (省略了数据加载和模型训练的代码)
RocCurveDisplay.from_estimator(clf, X_test, y_test, ax=ax_roc, name=name)
DetCurveDisplay.from_estimator(clf, X_test, y_test, ax=ax_det, name=name)
plt.show()

调整阈值

使用metrics.PrecisionRecallDisplay可以根据不同的需求（如高精确度或高召回率）调整分类阈值。该工具可以通过可视化的方式帮助决定阈值的最佳设置：

from sklearn.metrics import PrecisionRecallDisplay
# ... (省略了数据加载和模型训练的代码)
PrecisionRecallDisplay.from_estimator(clf, X_test, y_test)
plt.show()