.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "auto_examples/ensemble/plot_voting_probas.py"
.. LINE NUMBERS ARE GIVEN BELOW.

.. only:: html

    .. note::
        :class: sphx-glr-download-link-note

        :ref:`Go to the end <sphx_glr_download_auto_examples_ensemble_plot_voting_probas.py>`
        to download the full example code. or to run this example in your browser via JupyterLite or Binder

.. rst-class:: sphx-glr-example-title

.. _sphx_glr_auto_examples_ensemble_plot_voting_probas.py:


===========================================================
رسم احتمالات الفئات المحسوبة بواسطة VotingClassifier
===========================================================

.. currentmodule:: sklearn

رسم احتمالات الفئات للعينة الأولى في مجموعة بيانات تجريبية متوقعة بواسطة
ثلاثة مصنفات مختلفة ومتوسط بواسطة
:class:`~ensemble.VotingClassifier`.

أولاً، تتم تهيئة ثلاثة مصنفات نموذجية
(:class:`~linear_model.LogisticRegression` و :class:`~naive_bayes.GaussianNB`
و :class:`~ensemble.RandomForestClassifier`) وتستخدم لتهيئة
:class:`~ensemble.VotingClassifier` للتصويت الناعم مع أوزان `[1، 1، 5]`، مما
يعني أن احتمالات التنبؤ لـ
:class:`~ensemble.RandomForestClassifier` تحسب 5 مرات بقدر أوزان
المصنفات الأخرى عند حساب الاحتمال المتوسط.

لتصور ترجيح الاحتمال، نقوم بملاءمة كل مصنف على مجموعة التدريب
ورسم احتمالات الفئات المتوقعة للعينة الأولى في مجموعة البيانات
النموذجية هذه.

.. GENERATED FROM PYTHON SOURCE LINES 25-98



.. image-sg:: /auto_examples/ensemble/images/sphx_glr_plot_voting_probas_001.png
   :alt: احتمالات الفئات للعينة 1 بواسطة مصنفات مختلفة
   :srcset: /auto_examples/ensemble/images/sphx_glr_plot_voting_probas_001.png
   :class: sphx-glr-single-img





.. code-block:: Python


    # Authors: The scikit-learn developers
    # SPDX-License-Identifier: BSD-3-Clause

    import matplotlib.pyplot as plt
    import numpy as np

    from sklearn.ensemble import RandomForestClassifier, VotingClassifier
    from sklearn.linear_model import LogisticRegression
    from sklearn.naive_bayes import GaussianNB

    clf1 = LogisticRegression(max_iter=1000, random_state=123)
    clf2 = RandomForestClassifier(n_estimators=100, random_state=123)
    clf3 = GaussianNB()
    X = np.array([[-1.0, -1.0], [-1.2, -1.4], [-3.4, -2.2], [1.1, 1.2]])
    y = np.array([1, 1, 2, 2])

    eclf = VotingClassifier(
        estimators=[("lr", clf1), ("rf", clf2), ("gnb", clf3)],
        voting="soft",
        weights=[1, 1, 5],
    )

    # تنبؤ باحتمالات الفئات لجميع المصنفات
    probas = [c.fit(X, y).predict_proba(X) for c in (clf1, clf2, clf3, eclf)]

    # الحصول على احتمالات الفئات للعينة الأولى في مجموعة البيانات
    class1_1 = [pr[0, 0] for pr in probas]
    class2_1 = [pr[0, 1] for pr in probas]


    # الرسم

    N = 4  # عدد المجموعات
    ind = np.arange(N)  # مواضع المجموعات
    width = 0.35  # عرض الشريط

    fig, ax = plt.subplots()

    # أشرطة للمصنف 1-3
    p1 = ax.bar(ind, np.hstack(([class1_1[:-1], [0]])), width, color="green", edgecolor="k")
    p2 = ax.bar(
        ind + width,
        np.hstack(([class2_1[:-1], [0]])),
        width,
        color="lightgreen",
        edgecolor="k",
    )

    # أشرطة لـ VotingClassifier
    p3 = ax.bar(ind, [0, 0, 0, class1_1[-1]], width, color="blue", edgecolor="k")
    p4 = ax.bar(
        ind + width, [0, 0, 0, class2_1[-1]], width, color="steelblue", edgecolor="k"
    )

    # تعليقات بيانية
    plt.axvline(2.8, color="k", linestyle="dashed")
    ax.set_xticks(ind + width)
    ax.set_xticklabels(
        [
            "LogisticRegression\n الوزن 1",
            "GaussianNB\n الوزن 1",
            "RandomForestClassifier\n الوزن 5",
            "VotingClassifier\n (متوسط الاحتمالات)",
        ],
        rotation=40,
        ha="right",
    )
    plt.ylim([0, 1])
    plt.title("احتمالات الفئات للعينة 1 بواسطة مصنفات مختلفة")
    plt.legend([p1[0], p2[0]], ["الفئة 1", "الفئة 2"], loc="upper left")
    plt.tight_layout()
    plt.show()


.. rst-class:: sphx-glr-timing

   **Total running time of the script:** (0 minutes 0.405 seconds)


.. _sphx_glr_download_auto_examples_ensemble_plot_voting_probas.py:

.. only:: html

  .. container:: sphx-glr-footer sphx-glr-footer-example

    .. container:: binder-badge

      .. image:: images/binder_badge_logo.svg
        :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/ensemble/plot_voting_probas.ipynb
        :alt: Launch binder
        :width: 150 px

    .. container:: lite-badge

      .. image:: images/jupyterlite_badge_logo.svg
        :target: ../../lite/lab/index.html?path=auto_examples/ensemble/plot_voting_probas.ipynb
        :alt: Launch JupyterLite
        :width: 150 px

    .. container:: sphx-glr-download sphx-glr-download-jupyter

      :download:`Download Jupyter notebook: plot_voting_probas.ipynb <plot_voting_probas.ipynb>`

    .. container:: sphx-glr-download sphx-glr-download-python

      :download:`Download Python source code: plot_voting_probas.py <plot_voting_probas.py>`

    .. container:: sphx-glr-download sphx-glr-download-zip

      :download:`Download zipped: plot_voting_probas.zip <plot_voting_probas.zip>`


.. include:: plot_voting_probas.recommendations


.. only:: html

 .. rst-class:: sphx-glr-signature

    `Gallery generated by Sphinx-Gallery <https://sphinx-gallery.github.io>`_