为scikit学习对象添加绘图功能的直观库。
scikit-plot的Python项目详细描述
#欢迎来到scikit plot
[！[PYPI版本]（https://badge.fury.io/py/scikit plot.svg）（https://badge.fury.io/py/scikit plot）
[！[许可证]（https://img.shields.io/github/license/mashape/apistatus.svg）；
[！[构建状态]（https://travis-ci.org/reiniakano/scikit-plot.svg？branch=master）（https://travis ci.org/reiniakano/scikit plot）
[！[pypi]（https://img.shields.io/pypi/pyversions/scikit plot.svg）；
[！[DOI]（https://zenodo.org/badge/doi/10.5281/zenodo.293191.svg）]（https://doi.org/10.5281/zenodo.293191）
[roc_curves]（docs/\u static/readme_collage.jpg）
当你看到一个带有类标签的混乱矩阵的彩色热图，而不是括号中的数字的单行转储时，光照就简单多了。此外，如果你需要向某人展示你的结果（实际上任何时候有人雇佣你做数据科学），你都要向他们展示可视化的结果，而不是excel中的一堆数字。scikit plot是一个不起眼的尝试，它为那些有审美挑战的程序员（比如我自己）提供了一个机会，让他们用尽可能少的样板来生成快速而漂亮的图形和绘图。举例说明。
由于roc只在二进制分类中有效，因此如果它是正类，我们希望显示每个类的各自roc。作为额外的奖励，让我们在绘图中显示微观平均和宏观平均曲线。
让我们将scikit绘图与scikit learn的示例数字数据集一起使用。
``python
从sklearn.naive bayes的sklearn.naivebayes进口gaussiannb
x列车，x检验，y列车，y检验=列车检验（x，y，检验，检验量=0.33）
nb=gaussiannb（）
nb.fit（x列车，y列车，y列车），检验量=0.33）
nb=gaussiannb（）
nb.fit（x列车，y列车），y列车）
预测预测预测预测预测p p=nb预测。是的roba（x_test）
神奇之处在于
将matplotlib.pyplot导入为plt
将scikitplot导入为skplt
skplt.metrics.plot_roc（y_test，predicted_probas）
plt.show（）
````
！[roc_曲线]（examples/roc_curves.png）
漂亮。
就是这样。封装在这个小例子中的是scikit plot的整个原理：**用于详细可视化的单行函数**。您只需浏览文档中可用的绘图，并使用必要的参数调用函数。Scikit Plot尽量避开你。没有不必要的铃声和口哨声。当你确实需要钟声和哨声时，每个函数都提供了无数的参数来定制图中的各种元素。
最后，比较并[查看绘制多类roc曲线的非scikit图方法]（http://scikit-learn.org/stable/auto-examples/model\u selection/plot_roc.html）。你喜欢哪一个？
最大灵活性。与非scikit学习对象的兼容性。
尽管scikit绘图是基于scikit学习接口的，但实际上并不需要scikit学习对象来使用可用的功能。只要你提供了他们想要的函数，他们就会很乐意为你绘制图表。
样本数据集上的keras分类器。
`` python
我们将在测试集上生成概率。
keras_clf.fit（x_train，y_train，batch_size=64，nb_epoch=10，verbose=2）
probas=keras_clf.predic_概率（x_test，batch_size=64）
probas=keras_clf.predic（x_test，batch_size=64），现在绘图。
skplt.metrics.plt.plplt.metrics.plot _precision_回忆曲线（y_test，概率）
plt.show.show（）
``````啊！[p_r_u曲线]（examples/p_r_u curves.png）
这使您可以使用*任何*作为分类器，从keras nns到nltk naive bayes，再到您刚刚编写的开创性的分类器算法。
可能性是无穷的。
首先，确保安装了依赖项[scikit learn]（http://scikit-learn.org）和[matplotlib]（http://matplotlib.org/）。
然后运行：
```bash
pip install scikit plot
```
python setup.py install
```
在根文件夹中。
如果使用conda，则可以通过运行：
``bash
conda install-c conda forge scikit plot
```
nd详细文档[此处]（http://scikit plot.readthedocs.io）。
示例可在[此回购的示例文件夹]（examples/）中找到。
建议一个功能？要将自己的绘图添加到库中吗？访问我们的[贡献者指南]（contribution.md）。
你应该的！评论者喜欢看电影。
如果是的话，请考虑用doi[引用scikit plot！[DOI]（https://zenodo.org/badge/doi/10.5281/zenodo.293191.svg）]（https://doi.org/10.5281/zenodo.293191）
（2018）。Reiniakano/Scikit图：0.3.7[数据集]。Zenodo。http://doi.org/10.5281/zenodo.293191
Zenodo，2017年2月19日。
Reiniakano/Scikit图：0.3.7。泽诺多。
[！[PYPI版本]（https://badge.fury.io/py/scikit plot.svg）（https://badge.fury.io/py/scikit plot）
[！[许可证]（https://img.shields.io/github/license/mashape/apistatus.svg）；
[！[构建状态]（https://travis-ci.org/reiniakano/scikit-plot.svg？branch=master）（https://travis ci.org/reiniakano/scikit plot）
[！[pypi]（https://img.shields.io/pypi/pyversions/scikit plot.svg）；
[！[DOI]（https://zenodo.org/badge/doi/10.5281/zenodo.293191.svg）]（https://doi.org/10.5281/zenodo.293191）
[roc_curves]（docs/\u static/readme_collage.jpg）
当你看到一个带有类标签的混乱矩阵的彩色热图，而不是括号中的数字的单行转储时，光照就简单多了。此外，如果你需要向某人展示你的结果（实际上任何时候有人雇佣你做数据科学），你都要向他们展示可视化的结果，而不是excel中的一堆数字。scikit plot是一个不起眼的尝试，它为那些有审美挑战的程序员（比如我自己）提供了一个机会，让他们用尽可能少的样板来生成快速而漂亮的图形和绘图。举例说明。
由于roc只在二进制分类中有效，因此如果它是正类，我们希望显示每个类的各自roc。作为额外的奖励，让我们在绘图中显示微观平均和宏观平均曲线。
让我们将scikit绘图与scikit learn的示例数字数据集一起使用。
``python
从sklearn.naive bayes的sklearn.naivebayes进口gaussiannb
nb=gaussiannb（）
nb.fit（x列车，y列车，y列车），检验量=0.33）
nb=gaussiannb（）
nb.fit（x列车，y列车），y列车）
预测预测预测预测预测p p=nb预测。是的roba（x_test）
神奇之处在于
将matplotlib.pyplot导入为plt
将scikitplot导入为skplt
skplt.metrics.plot_roc（y_test，predicted_probas）
plt.show（）
````
！[roc_曲线]（examples/roc_curves.png）
漂亮。
就是这样。封装在这个小例子中的是scikit plot的整个原理：**用于详细可视化的单行函数**。您只需浏览文档中可用的绘图，并使用必要的参数调用函数。Scikit Plot尽量避开你。没有不必要的铃声和口哨声。当你确实需要钟声和哨声时，每个函数都提供了无数的参数来定制图中的各种元素。
最后，比较并[查看绘制多类roc曲线的非scikit图方法]（http://scikit-learn.org/stable/auto-examples/model\u selection/plot_roc.html）。你喜欢哪一个？
最大灵活性。与非scikit学习对象的兼容性。
尽管scikit绘图是基于scikit学习接口的，但实际上并不需要scikit学习对象来使用可用的功能。只要你提供了他们想要的函数，他们就会很乐意为你绘制图表。
样本数据集上的keras分类器。
`` python
我们将在测试集上生成概率。
keras_clf.fit（x_train，y_train，batch_size=64，nb_epoch=10，verbose=2）
probas=keras_clf.predic_概率（x_test，batch_size=64）
probas=keras_clf.predic（x_test，batch_size=64），现在绘图。
skplt.metrics.plt.plplt.metrics.plot _precision_回忆曲线（y_test，概率）
plt.show.show（）
``````啊！[p_r_u曲线]（examples/p_r_u curves.png）
这使您可以使用*任何*作为分类器，从keras nns到nltk naive bayes，再到您刚刚编写的开创性的分类器算法。
可能性是无穷的。
首先，确保安装了依赖项[scikit learn]（http://scikit-learn.org）和[matplotlib]（http://matplotlib.org/）。
然后运行：
```bash
pip install scikit plot
```
python setup.py install
```
在根文件夹中。
如果使用conda，则可以通过运行：
``bash
conda install-c conda forge scikit plot
```
nd详细文档[此处]（http://scikit plot.readthedocs.io）。
示例可在[此回购的示例文件夹]（examples/）中找到。
建议一个功能？要将自己的绘图添加到库中吗？访问我们的[贡献者指南]（contribution.md）。
你应该的！评论者喜欢看电影。
如果是的话，请考虑用doi[引用scikit plot！[DOI]（https://zenodo.org/badge/doi/10.5281/zenodo.293191.svg）]（https://doi.org/10.5281/zenodo.293191）
（2018）。Reiniakano/Scikit图：0.3.7[数据集]。Zenodo。http://doi.org/10.5281/zenodo.293191
Zenodo，2017年2月19日。
Reiniakano/Scikit图：0.3.7。泽诺多。
欢迎加入QQ群-->： 979659372
