sklearn.calibration.calibration_curve¶
sklearn.calibration.calibration_curve(y_true, y_prob, *, normalize=False, n_bins=5, strategy='uniform')
计算校准曲线的真正概率和预测概率。
该方法假定输入来自二进制分类器，并将其隔离散为[0，1]， 放进箱子。
校准曲线也可称为可靠性图。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| y_true | array-like of shape (n_samples,) 真实目标值 |
| y_prob | array-like of shape (n_samples,) 正类概率 |
| normalize | bool, default=False 是否需要将y_prob归一化为[0，1]区间，即不是一个适当的概率。如果为真，y_prob中的最小值线性映射到0，最大值映射到1。 |
| n_bins | int, default=5 [0，1]间隔的桶数。更多的值需要更多的数据。没有样本的箱子(即 y_prob中没有相应的值)将不会被返回，因此返回的数组的值可能小于n_bins值。 |
| strategy | {‘uniform’, ‘quantile’}, default=’uniform’ 用于定义箱子宽度的策略 uniform:箱子的宽度是相同的 quantile:这些箱子有相同数量的样本，依赖于 y_prob。 |
| 返回 | 说明 |
|---|---|
| prob_true | ndarray of shape (n_bins,) or smaller 每个箱子中正类样本的比例(分数) |
| prob_pred | ndarray of shape (n_bins,) or smaller 每个箱子的平均预测概率。 |
参考：
Alexandru Niculescu-Mizil and Rich Caruana (2005) Predicting Good Probabilities With Supervised Learning, in Proceedings of the 22nd International Conference on Machine Learning (ICML). See section 4 (Qualitative Analysis of Predictions)
