示例简介
本示例介绍如何绘制不同分类器的分类概率。我们在拥有3个类别的数据集上,使用如下分类模型进行多分类:
支持向量分类器(SVM Classification, 简称SVC)
线性SVC在默认情况下不是概率分类器,但在此示例中启用了内置校准选项(probability=True)
逻辑回归(LogisticRegression,简称LR),尝试了3种参数配置:
采用L1正则化
采用L2正则化和One-Vs-Rest模式,One-Vs-Rest简称OvR,即做多分类时,将1个类的样本作为正例,其他类的样本作为负例。
使用One-Vs-Rest的逻辑回归不是开箱即用的多类分类器。在下文中可用看到,与其他模型估计量相比,在将第2类和第3类分离时会有一些问题。
采用L2正则化和multinomial模式,multinomial即直接做多分类。
高斯过程分类(GaussianProcessClassifier,简称GPC)。
代码实现[Python]
# -*- coding: utf-8 -*-
print(__doc__)
# Author: Alexandre Gramfort
# License: BSD 3 clause
import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.svm import S