sklearn:绘制由VotingClassifier计算的类概率¶

最新推荐文章于 2024-07-30 18:41:07 发布

女搬运工

最新推荐文章于 2024-07-30 18:41:07 发布

阅读量1k

点赞数 1

分类专栏： sklearn

本文链接：https://blog.csdn.net/Dian1pei2xiao3/article/details/83793577

版权

此博客展示了如何利用sklearn的VotingClassifier结合LogisticRegression、GaussianNB和RandomForestClassifier，通过调整权重来计算平均概率。文章通过示例详细解释了如何拟合分类器并可视化第一个样本的类概率。

摘要由CSDN通过智能技术生成

绘制由三个不同分类器预测并由VotingClassifier平均的玩具数据集中第一个样本的类概率。

首先，初始化三个示例性分类器（LogisticRegression，GaussianNB和RandomForestClassifier）并用于初始化具有权重[1,1,5]的软投票VotingClassifier，这意味着RandomForestClassifier的预测概率计数是该值的5倍。计算平均概率时其他分类器的权重。

为了使概率加权可视化，我们将每个分类器拟合到训练集上，并绘制该示例数据集中第一个样本的预测类概率。

import numpy as np
import matplotlib.pyplot as plt

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

clf1 = LogisticRegression(random_state=123)
clf2 = RandomForestClassifier(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)],