如何在Python中通过Yellowbrick可视化机器学习模型的评估指标？-Python教程-PHP中文网

yellowbrick 可视化必须完成 fit→score/predict→poof/show 完整生命周期，跳过任一环节图形即丢弃；confusion_matrix 错位主因是 labels 未对齐，需统一用 np.unique(y_train) 并传给 labels 参数；rocauc 多模型比较须用 multirocauc，且模型需支持 predict_proba 或 decision_function；learningcurve 脚本中必须指定 outpath 才能保存图像；residualsplot 必须置于 standardscaler 之后以确保残差诊断有效。

如何在python中通过yellowbrick可视化机器学习模型的评估指标？

poof() 不调就白跑，show() 在脚本里不生效——Yellowbrick 的所有可视化必须走完整生命周期：先 fit()，再 score()（或 predict()），最后显式触发 poof() 或 show()。跳过任一环节，图形对象会被丢弃，控制台无声无息，连错误都不报。

confusion_matrix 标签错位：不是数据错了，是 classes_ 顺序没对齐

训练集和测试集的标签顺序不一致，是 confusion_matrix 显示错乱的最常见原因。scikit-learn 默认按数值升序排类（如 [0,1,2]），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] 的行列颠倒。

统一用 np.unique(y_train) 提取类名，再传给 confusion_matrix(..., labels=unique_labels)
confusion_matrix 不接受 class_names 参数，只认 labels；传字符串列表但 y 是整数数组，会静默失败
模型输出概率但未指定 decoder 时，二分类可能把 0.6 当正类预测，导致矩阵行列反置

ROCAUC 多模型比较必须用 MultiROCAUC，单用 ROCAUC 只画一条线

ROCAUC 默认只支持单模型，传入多个模型也不会并排画曲线，AUC 值也不显示。想对比 LogisticRegression 和 SVC，必须换用 MultiROCAUC。

python-docx

python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集

下载

所有模型必须支持 predict_proba 或 decision_function；SVC 默认不支持，得提前设 probability=True
传参方式不是 ROCAUC([m1,m2])，而是 visualizer = MultiROCAUC([m1,m2])
若某模型不支持概率输出，MultiROCAUC 会跳过它且不报错，需手动检查 visualizer.fitted_

LearningCurve 在脚本中保存图必须指定 outpath，否则什么也不留下

poof() 在 Jupyter 中默认渲染图像，但在普通 Python 脚本中它既不显示也不保存——这是新手最常踩的坑。

Jupyter 正确写法：lc = LearningCurve(model); lc.fit(X, y); lc.poof()
脚本正确写法：lc.poof(outpath="learning_curve.png", clear_figure=True)
漏掉 outpath，脚本跑完后目录里没有文件，也没有提示
clear_figure=True 防止后续绘图复用同一画布导致重叠

ResidualsPlot 必须放在 StandardScaler 后面，否则异方差诊断失效

ResidualsPlot 用于回归诊断，核心是看残差是否随机分布。如果前序 Pipeline 中有 StandardScaler，ResidualsPlot 必须放在它之后，否则输入到 visualizer 的是原始尺度特征，残差模式被扭曲，异方差提示失真。

错误顺序：Pipeline([('scaler', StandardScaler()), ('viz', ResidualsPlot(model))])
正确顺序：Pipeline([('scaler', StandardScaler()), ('model', model), ('viz', ResidualsPlot(model))])
单独用 ResidualsPlot 时，确保传入的 X 已经过和训练时完全相同的预处理

真正容易被忽略的，是 poof() 的环境依赖性——它在 Jupyter 里“自动生效”，在脚本里却彻底沉默。没人告诉你它不报错也不留痕，只留下一个空目录和困惑。