校准图(Calibration Plot)

显示分类器的概率预测与实际分类概率之间的匹配。.

输入

  • 评估结果：测试分类算法的结果

功能

校准图(Calibration Plot)根据分类器预测的概率绘制类别概率。

界面

  1. 从下拉菜单中选择所需的目标类别。
  2. 选择要绘制的分类器。对角线代表最佳行为；分类器的曲线越近，其预测概率越准确。因此，我们将使用此小部件来查看分类器是过于乐观（主要给出积极的结果）还是悲观的（主要给出负面的结果）。 3. 如果启用了* Show rug *，则图的底部和顶部将显示刻度线，分别代表负例和正例。它们的位置与分类器的概率预测相对应，颜色显示分类器。在图的底部，左侧的点是（正确）分配给目标类别的低概率的点，右侧的点是错误地分配了高概率的点。在图的顶部，正确分配了右侧的实例高概率，反之亦然。
  3. 如果要将创建的图像以.svg或.png格式保存到计算机，请按保存图像。
  4. 生成报告。

示例

目前，唯一可以提供 校准图(Calibration Plot) 所需信号类型的窗口小部件是测试与评分(Test & Score)。 因此，校准图(Calibration Plot) 肯定连在 测试与评分(Test & Score) 后面。

这是一个典型的示例，其中我们比较了三个分类器: 朴素贝叶斯(Naive Bayesian)，树(Tree)和常量预测(Constant)，然后将其输入 测试与评分(Test & Score) 。 我们使用了 Titanic 数据集。 然后，测试与评分(Test & Score) 将显示每个分类器的评估结果。 然后，我们从 测试与评分(Test & Score) 中绘制 校准图(Calibration Plot) 和ROC 分析(ROC Analysis)小部件，以进一步分析分类器的性能。 借助 校准图(Calibration Plot) ，您可以查看图中类概率的预测准确性。

反馈问题

文档有问题? 或者有其他意见和建议? 请在本文档的 Github 仓库直接反馈

点我反馈

进入反馈页面不知道如何反馈, 请点击这里

更新时间: