【Python】scikit-plot可视化模型（含源代码）

青旅半醒 2023-09-27 19:11 94阅读 0赞

#### 文章目录 ####

*  一、前言
 *  二、功能1：评估指标可视化
 *   *  2.1 scikitplot.metrics.plot\_confusion\_matrix
     *  2.2 scikitplot.metrics.plot\_roc
     *  2.3 scikitplot.metrics.plot\_ks\_statistic
     *  2.4 scikitplot.metrics.plot\_precision\_recall
     *  2.5 scikitplot.metrics.plot\_silhouette
     *  2.6 scikitplot.metrics.plot\_calibration\_curve
 *  三、功能2：模型可视化
 *   *  3.1 scikitplot.estimators.plot\_learning\_curve
     *  3.2 scikitplot.estimators.plot\_feature\_importances
 *  四、功能3：聚类可视化
 *   *  4.1 scikitplot.cluster.plot\_elbow\_curve
 *  五、功能4：降维可视化
 *   *  5.1 scikitplot.decomposition.plot\_pca\_component\_variance
     *  5.2 scikitplot.decomposition.plot\_pca\_2d\_projection

## 一、前言 ##

scikit-learn (sklearn)是Python环境下常见的机器学习库，包含了常见的分类、回归和聚类算法。在训练模型之后，常见的操作是对模型进行可视化，则需要使用Matplotlib进行展示。

scikit-plot是一个基于sklearn和Matplotlib的库，主要的功能是对训练好的模型进行可视化，功能比较简单易懂。

地址为：

https://scikit-plot.readthedocs.io

![在这里插入图片描述][f70795f140dc48ae84a609e500418d20.png]

包的安装方法：

pip install scikit-plot

## 二、功能1：评估指标可视化 ##

### 2.1 scikitplot.metrics.plot\_confusion\_matrix ###

快速展示模型预测结果和标签计算得到的混淆矩阵。

![在这里插入图片描述][05a60cfad1e0460fa8ff53308900c19b.png]

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()

### 2.2 scikitplot.metrics.plot\_roc ###

快速展示模型预测的每个类别的ROC曲线。

![在这里插入图片描述][fb201be823f24d51be961e06e6e7bd5a.png]

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()

### 2.3 scikitplot.metrics.plot\_ks\_statistic ###

从标签和分数/概率生成 KS 统计图。

![在这里插入图片描述][96b51475ef3a45c18ff411f962f72d2d.png]

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()

### 2.4 scikitplot.metrics.plot\_precision\_recall ###

从标签和概率生成PR曲线。

![在这里插入图片描述][e003d4af943745b5912a6a961a75b3a4.png]

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()

### 2.5 scikitplot.metrics.plot\_silhouette ###

对聚类结果进行silhouette analysis分析。

![在这里插入图片描述][10e255d1e5d445e881781bdcdf886797.png]

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()

### 2.6 scikitplot.metrics.plot\_calibration\_curve ###

绘制分类器的矫正曲线。

![在这里插入图片描述][1c2bed65128b46a3b4c9ef6f8703c2b3.png]

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()

## 三、功能2：模型可视化 ##

### 3.1 scikitplot.estimators.plot\_learning\_curve ###

生成不同训练样本下的训练和测试学习曲线图。

![在这里插入图片描述][bbb796d54bcb40489ab4d310e26a1425.png]

import scikitplot as skplt
    rf = RandomForestClassifier()
    
    skplt.estimators.plot_learning_curve(rf, X, y)
    plt.show()

### 3.2 scikitplot.estimators.plot\_feature\_importances ###

可视化特征重要性。

![在这里插入图片描述][c2de7b290b64438dbe0f392fc272973a.png]

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()

## 四、功能3：聚类可视化 ##

### 4.1 scikitplot.cluster.plot\_elbow\_curve ###

展示聚类的肘步图。

![在这里插入图片描述][580933c729d24cfb84c097813070b8ca.png]

import scikitplot as skplt
    kmeans = KMeans(random_state=1)
    
    skplt.cluster.plot_elbow_curve(kmeans, cluster_ranges=range(1, 30))
    plt.show()

## 五、功能4：降维可视化 ##

### 5.1 scikitplot.decomposition.plot\_pca\_component\_variance ###

绘制 PCA 分量的解释方差比。

import scikitplot as skplt
    pca = PCA(random_state=1)
    pca.fit(X)
    
    skplt.decomposition.plot_pca_component_variance(pca)
    plt.show()

![在这里插入图片描述][70bd2efe01c347f48f3d17dc7eededee.png]

### 5.2 scikitplot.decomposition.plot\_pca\_2d\_projection ###

绘制PCA降维之后的散点图。

import scikitplot as skplt
    pca = PCA(random_state=1)
    pca.fit(X)
    
    skplt.decomposition.plot_pca_2d_projection(pca, X, y)
    plt.show()

![在这里插入图片描述][4c8f7c7d107240088d61f26b4249f2a2.png]

[f70795f140dc48ae84a609e500418d20.png]: https://img-blog.csdnimg.cn/f70795f140dc48ae84a609e500418d20.png
[05a60cfad1e0460fa8ff53308900c19b.png]: https://img-blog.csdnimg.cn/05a60cfad1e0460fa8ff53308900c19b.png
[fb201be823f24d51be961e06e6e7bd5a.png]: https://img-blog.csdnimg.cn/fb201be823f24d51be961e06e6e7bd5a.png
[96b51475ef3a45c18ff411f962f72d2d.png]: https://img-blog.csdnimg.cn/96b51475ef3a45c18ff411f962f72d2d.png
[e003d4af943745b5912a6a961a75b3a4.png]: https://img-blog.csdnimg.cn/e003d4af943745b5912a6a961a75b3a4.png
[10e255d1e5d445e881781bdcdf886797.png]: https://img-blog.csdnimg.cn/10e255d1e5d445e881781bdcdf886797.png
[1c2bed65128b46a3b4c9ef6f8703c2b3.png]: https://img-blog.csdnimg.cn/1c2bed65128b46a3b4c9ef6f8703c2b3.png
[bbb796d54bcb40489ab4d310e26a1425.png]: https://img-blog.csdnimg.cn/bbb796d54bcb40489ab4d310e26a1425.png
[c2de7b290b64438dbe0f392fc272973a.png]: https://img-blog.csdnimg.cn/c2de7b290b64438dbe0f392fc272973a.png
[580933c729d24cfb84c097813070b8ca.png]: https://img-blog.csdnimg.cn/580933c729d24cfb84c097813070b8ca.png
[70bd2efe01c347f48f3d17dc7eededee.png]: https://img-blog.csdnimg.cn/70bd2efe01c347f48f3d17dc7eededee.png
[4c8f7c7d107240088d61f26b4249f2a2.png]: https://img-blog.csdnimg.cn/4c8f7c7d107240088d61f26b4249f2a2.png