Kaggle知識點：scikit-plot可視化模型

scikit-learn (sklearn)是Python環(huán)境下常見的機器學習庫，包含了常見的分類、回歸和聚類算法。在訓練模型之后，常見的操作是對模型進行可視化，則需要使用Matplotlib進行展示。

scikit-plot是一個基于sklearn和Matplotlib的庫，主要的功能是對訓練好的模型進行可視化，功能比較簡單易懂。

https://scikit-plot.readthedocs.io

pip?install?scikit-plot

功能1：評估指標可視化scikitplot.metrics.plot_confusion_matrix快速展示模型預測結(jié)果和標簽計算得到的混淆矩陣。

import?scikitplot?as?skplt

rf?=?RandomForestClassifier()

rf?=?rf.fit(X_train,?y_train)

y_pred?=?rf.predict(X_test)

skplt.metrics.plot_confusion_matrix(y_test,?y_pred,?normalize=True)

plt.show()

scikitplot.metrics.plot_roc快速展示模型預測的每個類別的ROC曲線。

import?scikitplot?as?skplt

nb?=?GaussianNB()

nb?=?nb.fit(X_train,?y_train)

y_probas?=?nb.predict_proba(X_test)

skplt.metrics.plot_roc(y_test,?y_probas)

plt.show()

scikitplot.metrics.plot_ks_statistic

import?scikitplot?as?skplt

lr?=?LogisticRegression()

lr?=?lr.fit(X_train,?y_train)

y_probas?=?lr.predict_proba(X_test)

skplt.metrics.plot_ks_statistic(y_test,?y_probas)

plt.show()

scikitplot.metrics.plot_precision_recall

import?scikitplot?as?skplt

nb?=?GaussianNB()

nb.fit(X_train,?y_train)

y_probas?=?nb.predict_proba(X_test)

skplt.metrics.plot_precision_recall(y_test,?y_probas)

plt.show()

scikitplot.metrics.plot_silhouette對聚類結(jié)果進行silhouette analysis分

import?scikitplot?as?skplt

kmeans?=?KMeans(n_clusters=4,?random_state=1)

cluster_labels?=?kmeans.fit_predict(X)

skplt.metrics.plot_silhouette(X,?cluster_labels)

plt.show()

scikitplot.metrics.plot_calibration_curve

import?scikitplot?as?skplt

rf?=?RandomForestClassifier()

lr?=?LogisticRegression()

nb?=?GaussianNB()

svm?=?LinearSVC()

rf_probas?=?rf.fit(X_train,?y_train).predict_proba(X_test)

lr_probas?=?lr.fit(X_train,?y_train).predict_proba(X_test)

nb_probas?=?nb.fit(X_train,?y_train).predict_proba(X_test)

svm_scores?=?svm.fit(X_train,?y_train).decision_function(X_test)

probas_list?=?[rf_probas,?lr_probas,?nb_probas,?svm_scores]

clf_names?=?['Random?Forest',?'Logistic?Regression',

'Gaussian?Naive?Bayes',?'Support?Vector?Machine']

skplt.metrics.plot_calibration_curve(y_test,

probas_list,

clf_names)

plt.show()

功能2：模型可視化scikitplot.estimators.plot_learning_curve

import?scikitplot?as?skplt

rf?=?RandomForestClassifier()

skplt.estimators.plot_learning_curve(rf,?X,?y)

plt.show()

scikitplot.estimators.plot_feature_importances可視化特征重要性。

import?scikitplot?as?skplt

rf?=?RandomForestClassifier()

rf.fit(X,?y)

skplt.estimators.plot_feature_importances(

rf,?feature_names=['petal?length',?'petal?width',

'sepal?length',?'sepal?width'])

plt.show()

功能3：聚類可視化scikitplot.cluster.plot_elbow_curve

import?scikitplot?as?skplt

kmeans?=?KMeans(random_state=1)

skplt.cluster.plot_elbow_curve(kmeans,?cluster_ranges=range(1,?30))

plt.show()

功能4：降維可視化scikitplot.decomposition.plot_pca_component_variance繪制 PCA 分量的解釋方差比。import?scikitplot?as?skplt

pca?=?PCA(random_state=1)

pca.fit(X)

skplt.decomposition.plot_pca_component_variance(pca)

>plt.show()

scikitplot.decomposition.plot_pca_2d_projectionimport?scikitplot?as?skplt

pca?=?PCA(random_state=1)

pca.fit(X)

skplt.decomposition.plot_pca_2d_projection(pca,?X,?y)

plt.show()