可视化工具Yellowbrick：超参与行为的可视化带来更优秀的实现

项目地址：https://ift.tt/1Y2eXzP 可视化器 可视化器（Visualizers）是一种从数据中学习的估计器，其主要目标是创建可理解模型选择过程的可视化。在 Scikit-Learn 的术语中，它们类似于转换器（transformer），其在可视化数据空间或包装模型估计器上类似「ModelCV」（例如 RidgeCV 和 LassoCV）方法的过程。Yellowbrick 的主要目标是创建一个类似于 Scikit-Learn 的 API，其中一些流行的可视化器包括： 特征可视化 Rank Features：单个或成对特征排序以检测关系 Parallel Coordinates：实例的水平可视化 Radial Visualization：围绕圆形图分离实例 PCA Projection：基于主成分分析映射实例 Manifold Visualization：通过流形学习实现高维可视化 Feature Importances：基于模型性能对特征进行排序 Recursive Feature Elimination：按重要性搜索最佳特征子集 Scatter and Joint Plots：通过特征选择直接进行数据可视化 分类可视化 Class Balance：了解类别分布如何影响模型 Class Prediction Error：展示分类的误差与主要来源 Classification Report：可视化精度、召回率和 F1 分数的表征 ROC/AUC Curves：受试者工作曲线和曲线下面积 Confusion Matrices：类别决策制定的视觉描述 Discrimination Threshold：搜索最佳分离二元类别的阈值 回归可视化 Prediction Error Plots：沿着目标域寻找模型崩溃的原因 Residuals Plot：以残差的方式展示训练和测试数据中的差异 Alpha Selection：展示 alpha 的选择如何影响正则化 聚类可视化 K-Elbow Plot：使用肘法（elbow method）和多个指标来选择 k Silhouette Plot：通过可视化轮廓系数值来选择 k 模型选择可视化 Validation Curve：对模型的单个超参数进行调整 Learning Curve：展示模型是否能从更多的数据或更低的复杂性中受益 文本可视化 Term Frequency：可视化语料库中词项的频率分布 t-SNE Corpus Visualization：使用随机近邻嵌入来投影文档 还有更多的可视化器！我们随时会添加更多的可视化器，因此请确保查看示例（或甚至开发分支），并欢迎随时为我们提供建议！ 安装 Yellowbrick Yellowbrick 与 Python2.7 以及之后的版本兼容，但使用 Python3.5 或之后的版本会更合适并能利用其所有功能优势。Yellowbrick 还依赖于 Scikit-Learn 0.18 或之后的版本，以及 Matplotlib1.5 或之后的版本。最简单的安装 Yellowbrick 的方法是从 PyPI 使用 pip 安装。 $ pip install yellowbrick 注意 Yellowbrick 是一个活跃项目，将定期发布更多新的可视化器和更新。为了将 Yellowbrick 升级到最新的版本，按以下方式使用 pip 命令： $ pip install -U yellowbrick 你也可以使用-U flag 来更新 Scikit-Learn、Matplotlib 或任何其它和 Yellowbrick 兼容的第三方最新版本应用。 如果你使用 Anaconda（推荐 Windows 用户使用），你可以使用 conda 命令来安装 Yellowbrick： conda install -c districtdatalabs yellowbrick 然而请注意，在 Linux 上用 Anaconda 安装 Yellowbrick 有一个已知的 bug：https://ift.tt/2L2Nk7z 使用 Yellowbrick Yellowbrick API 是特别为更好地使用 Scikit-Learn 而设计的。这里有一个使用 Scikit-Learn 和 Yellowbrick 的典型工作流序列的例子： 特征可视化 在这个例子中，我们将看到 Rank2D 如何使用特定指标对数据集中的每个特征进行两两对比，然后返回展示排序的左下三角图。 from yellowbrick.features import Rank2D visualizer = Rank2D(features=features, algorithm='covariance') visualizer.fit(X, y) # Fit the data to the visualizer visualizer.transform(X) # Transform the data visualizer.poof() # Draw/show/poof the data 模型可视化 在这个例子中，我们用具体例子来说明一个 Scikit-Learn 分类器，然后使用 Yellowbrick 的 ROCAUC 类来可视化分类器的敏感性和特异性的权衡过程。 from sklearn.svm import LinearSVCfrom yellowbrick.classifier import ROCAUC model = LinearSVC() model.fit(X,y) visualizer = ROCAUC(model) visualizer.score(X,y) visualizer.poof() ]]> 原文： https://ift.tt/2J7dd8O 机器知心