强烈安利这款功能强悍的机器学习可视化工具

Yellowbrick是由一套被称为"Visualizers"组成的可视化诊断工具组成的套餐，其由Scikit-Learn API延伸而来，对模型选择过程其指导作用。总之，Yellowbrick结合了Scikit-Learn和Matplotlib并且最好得传承了Scikit-Learn文档，对你的模型进行可视化！ Juan L. Kehoe

Yellowbrick主要包含的组件如下：

特征可视化

Rank Features: 对单个或者两两对应的特征进行排序以检测其相关性

Parallel Coordinates: 对实例进行水平视图

Radial Visualization: 在一个圆形视图中将实例分隔开

PCA Projection: 通过主成分将实例投射

Feature Importances: 基于它们在模型中的表现对特征进行排序

Scatter and Joint Plots: 用选择的特征对其进行可视化

分类可视化

Class Balance: 看类的分布怎样影响模型

Classification Report: 用视图的方式呈现精确率，召回率和F1值

ROC/AUC Curves: 特征曲线和ROC曲线子下的面积

Confusion Matrices: 对分类决定进行视图描述

回归可视化

Prediction Error Plot: 沿着目标区域对模型进行细分

Residuals Plot: 显示训练数据和测试数据中残差的差异

Alpha Selection: 显示不同alpha值选择对正则化的影响

聚类可视化

K-Elbow Plot: 用肘部法则或者其他指标选择k值

Silhouette Plot: 通过对轮廓系数值进行视图来选择k值

文本可视化

Term Frequency: 对词项在语料库中的分布频率进行可视化

t-SNE Corpus Visualization: 用随机邻域嵌入来投射文档

Yellowbrick仅能运行于python3.4以上版本，安装十分简单。

$ pip install yellowbrick

使用方法也很简单，以特征选择为例

from sklearn.linear_model import Lasso
from yellowbrick.datasets import load_concrete
from yellowbrick.model_selection import FeatureImportances

# Load the regression dataset
dataset = load_concrete(return_dataset=True)
X, y = dataset.to_data()

# Title case the feature for better display and create the visualizer
labels = list(map(lambda s: s.title(), dataset.meta['features']))
viz = FeatureImportances(Lasso(), labels=labels, relative=False)

# Fit and show the feature importances
viz.fit(X, y)
viz.poof()

感兴趣的同学赶紧尝试一下吧。

https://www.scikit-yb.org

英语不好的同学也不用担心，已经有热心小伙伴正在将文档翻译成中文

http://www.scikit-yb.org/zh/latest/