calibratedclassifiercv 是概率校准器而非绘图工具，通过 method="platt"（逻辑回归拟合）或 method="isotonic"（单调回归）修正分类器输出概率；需配合 calibration_curve 评估校准效果，其返回点偏离 y=x 对角线表明概率不可靠。
校准曲线（CalibrationCurve）本身不是 Python 中的内置类或函数，真正可用的是 sklearn.calibration.CalibratedClassifierCV 和 sklearn.calibration.calibration_curve —— 前者用于修正概率输出，后者仅用于可视化评估。直接调用“Calibration Curve”做校准会报错或无效。
怎么用 CalibratedClassifierCV 修正模型概率？
它不是画图工具，而是概率校准器：对任意支持 predict_proba 的分类器（如 SVC、RandomForestClassifier）套一层校准层，输出更可靠的概率。
-
method="platt"适合 SVM 或小样本，内部用逻辑回归拟合决策函数输出 -
method="isotonic"更灵活，非参数单调回归，但易过拟合小数据集 - 必须用
cv="prefit"时，需先单独训练好基模型，并确保它已拟合（fit过），否则报NotFittedError - 默认
cv=3（带交叉验证的重训练），更鲁棒但慢；生产环境可设cv=2平衡速度与稳定性
为什么 calibration_curve 画出来的线不平直就说明要校准？
该函数返回 fraction_of_positives 和 mean_predicted_value 两组点——理想校准是所有点落在 y=x 对角线上。若曲线明显上凸（低分段实际正例多）或下凹（高分段实际正例少），说明模型过度自信或保守。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 输入必须是测试集上的预测概率（一维数组，如
y_prob[:, 1]），不是决策函数值 -
n_bins默认 5，太小会掩盖局部偏差；建议设为 10 或 15，但别超过样本量的 1/20，否则某些 bin 无数据 - 若某 bin 内正例数为 0，
fraction_of_positives会是 0，导致点严重偏离对角线——这不是模型问题，是统计噪声，需结合 bin 样本量看
CalibratedClassifierCV 输出的概率一定更准吗？
不一定。校准提升的是概率的可靠性（即“预测 70% 概率的样本中，约 70% 真实为正类”），不保证分类准确率上升，甚至可能略降。
- 在类别极度不平衡时（如正例 isotonic 可能因稀疏正例产生阶梯状跳跃，反而不如 Platt 平滑
- 如果原始模型本身
predict_proba已较准（如LogisticRegression），校准收益很小，还增加推理开销 - 校准后概率范围仍可能超出 [0,1]（尤其
isotonic在边界外推时），需手动截断：np.clip(y_prob, 1e-6, 1-1e-6)
真正容易被忽略的是：校准只解决“概率是否可信”，不解决“特征是否充分”或“标签是否干净”。如果模型在关键区域持续误判（比如把所有 0.4~0.6 的样本都压向 0.5），再好的校准也救不回本质偏差。
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！
