yellowbrick是scikit-learn的诊断延伸，所有可视化必须遵循fit→score→poof/show流程；poof()仅在jupyter中默认生效，脚本中需指定outpath；confusion_matrix要求y_train/y_test标签顺序一致；rocauc多模型比较须用multirocauc；residualsplot异常提示异方差，且visualizer须置于pipeline中standardscaler之后。
Yellowbrick 不是“画图附加包”，它是 scikit-learn 的诊断延伸——所有可视化都必须走 fit → score → poof（或 show）流程，跳过任一环节就只能看到空图或报错。
为什么 poof() 报 AttributeError：'NoneType' object has no attribute 'poof'
这是新手最常卡住的地方：直接调用 feature_importances(model, X, y) 这类“快速函数”时，底层其实已自动调用 poof()；但若你手动实例化 Visualizer（比如 LearningCurve(model)），就必须显式调用 poof() 或 show()。更关键的是——poof() 只在 Jupyter / IPython 环境中默认生效；在普通 Python 脚本里它不显示也不保存，得加 outpath="xxx.png" 参数。
- ✅ 正确（Jupyter）：
lc = LearningCurve(model); lc.fit(X, y); lc.poof() - ✅ 正确（脚本）：
lc.poof(outpath="learning_curve.png", clear_figure=True) - ❌ 错误：
LearningCurve(model).fit(X, y)后没调poof或show，图形对象被丢弃
confusion_matrix 为什么训练集和测试集标签顺序总对不上
Yellowbrick 的 confusion_matrix 快速函数要求 y_train 和 y_test 必须是原始标签（非 one-hot），且两个数组的 classes_ 顺序必须一致。scikit-learn 默认按升序排类，但如果你用 LabelEncoder 手动编码过，又没传 labels=encoder.classes_，就会出现训练集显示 [0,1,2]、测试集显示 [2,0,1] 的错位。
- 保险做法：统一用
np.unique(y_train)提取类名，再传给confusion_matrix(..., labels=unique_labels) - 注意：
confusion_matrix不接受class_names参数，只认labels；传错类型（如字符串列表 vs 整数数组）会静默失败 - 若模型输出概率但未指定
decoder，二分类时可能把 0.6 当作正类预测，导致矩阵行列颠倒
用 ROCAUC 比较多个模型时，AUC 值不显示或曲线重叠
ROCAUC 默认只对单个模型画 ROC 曲线并计算 AUC；想并排比较多个模型，必须用 MultiROCAUC，且所有模型必须支持 predict_proba 或 decision_function。常见陷阱是混用 LogisticRegression（有 predict_proba）和 SVC(kernel='linear')（默认无，需设 probability=True）。
- 必须检查：
hasattr(model, 'predict_proba') or hasattr(model, 'decision_function') - 多模型传入方式：
visualizer = ROCAUC([model1, model2], micro=False)，不是分别调用两次 - 如果
y_test是多分类，micro=True才能算全局 AUC；否则默认按每个类单独画，不叠加
ResidualsPlot 显示残差严重倾斜，但线性回归 R² 很高
这说明模型在均值附近拟合得好，但误差分布非正态或存在异方差——ResidualsPlot 的 y 轴是残差，x 轴默认是预测值；若残差随预测值增大而发散（漏斗形），就是典型异方差，此时 OLS 标准误不可靠，哪怕 R²=0.95 也得换模型或加权。
- 关键参数：
residuals="standardized"可标准化残差，让异方差更易识别 - 对比看：
ResidualsPlot和PredictionErrorPlot一起用——前者看误差结构，后者看预测偏差方向 - 注意：该 visualizer 对
X做了内部 copy，若 X 含 categorical 列且未 dummy 编码，会静默跳过这些列，导致残差图基于不完整特征生成
真正容易被忽略的点是：Yellowbrick 的所有 visualizer 都继承自 scikit-learn 的 BaseEstimator 和 TransformerMixin，这意味着你能把它塞进 Pipeline，但一旦 pipeline 中有 StandardScaler，就必须确保 visualizer 放在 scaler 之后——否则看到的残差或特征重要性，全是原始量纲下的结果，完全失真。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
