conlibration plot

您可能是指`calibration plot`（校准图），它是用于评估分类模型的校准性的一种常用方法。校准性指的是模型预测的概率与实际观测发生的概率之间的一致性。

在`scikit-learn`中，您可以使用`calibration_curve`函数来绘制校准图。以下是一个简单的示例代码：

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

# 假设有真实标签Y_true和预测概率Y_prob
Y_true = [0, 0, 1, 1, 1]
Y_prob = [0.2, 0.3, 0.6, 0.7, 0.8]

# 计算校准曲线数据
fraction_of_positives, mean_predicted_value = calibration_curve(Y_true, Y_prob, n_bins=10)

# 绘制校准图
plt.plot(mean_predicted_value, fraction_of_positives, 's-', label='Calibration curve')
plt.plot([0, 1], [0, 1], 'k--', label='Perfectly calibrated')
plt.xlabel('Mean predicted value')
plt.ylabel('Fraction of positives')
plt.title('Calibration Plot')
plt.legend()
plt.show()

在此示例中，`Y_true`是真实的二进制标签，`Y_prob`是模型预测的概率。`calibration_curve`函数计算校准曲线的数据，然后使用`matplotlib`绘制校准图。

请注意，校准图主要用于评估二进制分类模型。如果您使用的是多类别分类模型，则可以使用不同的方法来绘制和解释校准性。