이 방법은 주로 관찰 결과를 확률별로 여러 유형 (bin) 으로 나누는 것이다. 따라서 같은 클래스에 속하는 관찰은 비슷한 확률을 가집니다.
각 클래스에 대해 교정 곡선은 해당 클래스의 평균을 예측한 다음 예측 확률의 평균을 이론적 평균 (관찰된 목표 변수의 평균) 과 비교합니다.
다음 사이의 범주 수와 분류 정책만 결정하면 됩니다.
1, "균일", 0- 1 의 간격은 n_bins 클래스로 나뉘며 모든 클래스의 폭은 같습니다.
2. "분위수" 는 각 클래스가 동일한 수의 관찰을 갖도록 클래스의 가장자리를 정의합니다.
모델의 정확도가 양호하다고 가정하면 교정 곡선이 단조롭게 증가합니다. 그렇다고 모델이 올바르게 보정된 것은 아닙니다. 사실, 당신의 모형은 곡선이 이등분선 (즉, 아래 그림의 회색 점선) 에 매우 가까울 때만 잘 교정할 수 있습니다. 이는 예측 확률이 기본적으로 이론적 확률에 가깝다는 것을 의미하기 때문입니다.
파이썬 드로잉 예측 모델의 교정 오류를 해결하는 방법:
분류자를 훈련시킨다고 가정하면 정확하지만 보정되지 않은 확률을 만들어 낼 수 있다. (존 F. 케네디, 공부명언) 확률 교정의 아이디어는 두 번째 모델 (교정기라고 함) 을 만들어 훈련한 분류기를 실제 확률로' 교정' 하는 것이다.
따라서 교정에는 한 1 차원 벡터 (보정되지 않은 확률) 를 다른 1 차원 벡터 (보정될 확률) 로 변환하는 기능이 포함됩니다.
두 가지 방법은 일반적으로 교정품으로 사용됩니다.
1. 순서 회귀: 비내림차순 자유형 선을 데이터에 맞추는 비패라메트릭 알고리즘입니다. 행 수가 줄어들지 않는다는 사실은 원래 순서를 따르기 때문에 중요합니다.
2.Logistic 회귀: 예측 확률에는 일반 무작위 삼림, 무작위 삼림+보존 회귀, 무작위 삼림 +logistic 회귀의 세 가지 옵션이 있습니다.