ملاحظة
Go to the end to download the full example code. or to run this example in your browser via JupyterLite or Binder
رسم تنبؤات الصندوق الأسود#
هذا المثال يوضح كيفية استخدام
cross_val_predict
مع
PredictionErrorDisplay
لتصور أخطاء التنبؤ.
# المؤلفون: مطوري سكايلرن
# معرف الترخيص: BSD-3-Clause
سنقوم بتحميل مجموعة بيانات مرض السكري وإنشاء مثيل لنموذج الانحدار الخطي.
from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression
X, y = load_diabetes(return_X_y=True)
lr = LinearRegression()
cross_val_predict
يعيد مصفوفة بنفس حجم y
حيث كل إدخال هو تنبؤ تم الحصول عليه من خلال الصندوق الأسود.
from sklearn.model_selection import cross_val_predict
y_pred = cross_val_predict(lr, X, y, cv=10)
بما أن cv=10
، فهذا يعني أننا قمنا بتدريب 10 نماذج وتم استخدام كل نموذج للتنبؤ على واحدة من الطيات العشر. يمكننا الآن استخدام
PredictionErrorDisplay
لتصور أخطاء التنبؤ.
# على المحور الأيسر، نرسم القيم الملاحظة :math:`y` مقابل القيم المتوقعة
# :math:`\hat{y}` التي تعطيها النماذج. على المحور الأيمن، نرسم
# المتبقيات (أي الفرق بين القيم الملاحظة والقيم المتوقعة) مقابل القيم المتوقعة.
import matplotlib.pyplot as plt
from sklearn.metrics import PredictionErrorDisplay
fig, axs = plt.subplots(ncols=2, figsize=(8, 4))
PredictionErrorDisplay.from_predictions(
y,
y_pred=y_pred,
kind="actual_vs_predicted",
subsample=100,
ax=axs[0],
random_state=0,
)
axs[0].set_title("القيم الفعلية مقابل القيم المتوقعة")
PredictionErrorDisplay.from_predictions(
y,
y_pred=y_pred,
kind="residual_vs_predicted",
subsample=100,
ax=axs[1],
random_state=0,
)
axs[1].set_title("المتبقيات مقابل القيم المتوقعة")
fig.suptitle("رسم تنبؤات الصندوق الأسود")
plt.tight_layout()
plt.show()

من المهم ملاحظة أننا استخدمنا
cross_val_predict
لأغراض العرض فقط في هذا المثال.
# سيكون من المشكلات تقييم أداء النموذج بشكل كمي من خلال حساب مقياس أداء واحد من التنبؤات المجمعة التي تم إرجاعها بواسطة
# :func:`~sklearn.model_selection.cross_val_predict`
# عندما تختلف الطيات المختلفة للصندوق الأسود في الحجم والتوزيعات.
# يوصى بحساب مقاييس أداء لكل طية باستخدام:
# :func:`~sklearn.model_selection.cross_val_score` أو
# :func:`~sklearn.model_selection.cross_validate` بدلاً من ذلك.
Total running time of the script: (0 minutes 0.246 seconds)
Related examples