calibration_curve函数如何画校准曲线

`calibration_curve` 是 `sklearn` 中用于绘制校准曲线的函数，用于评估分类模型的预测概率是否准确。

该函数的用法如下：

from sklearn.calibration import calibration_curve
import matplotlib.pyplot as plt

# y_true: 真实标签，y_prob: 预测概率
fraction_of_positives, mean_predicted_value = calibration_curve(y_true, y_prob, n_bins=10)

# 绘制校准曲线
plt.plot(mean_predicted_value, fraction_of_positives, "s-", label="model_name")
plt.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")
plt.legend()
plt.show()

其中，`y_true` 为样本的真实标签，`y_prob` 为分类模型预测的概率值，`n_bins` 表示将预测概率分成多少个区间，默认为10。

函数返回的 `fraction_of_positives` 和 `mean_predicted_value` 分别是预测为正例的样本占比和对应的平均预测概率。

绘制校准曲线时，我们可以将 `mean_predicted_value` 作为横轴，`fraction_of_positives` 作为纵轴，用线段连接每个点，即可得到校准曲线。同时，我们也可以将理想情况下的校准曲线（即对角线）绘制在图中，以便比较。

需要注意的是，校准曲线并不是一定越接近对角线越好，因为有时候模型可能会有一些偏差，导致预测概率偏高或偏低。因此，需要综合考虑模型的准确率和校准程度来评估模型的性能。