python繪制預測模型校準圖可以使用校準曲線，因為預測壹個模型校準的最簡單的方法是通過壹個稱為“校準曲線”的圖（也稱為“可靠性圖”，reliability diagram）。
這個方法主要是將觀察到的結果通過概率劃分為幾類（bin）。因此，屬於同壹類的觀測值具有相近的概率。
對於每個類，校準曲線將預測這個類的平均值，然後將預測概率的平均值與理論平均值（即觀察到的目標變量的平均值）進行比較。
妳只需要確定類的數量和以下兩者之間的分類策略即可：
1、“uniform”，壹個0-1的間隔被分為n_bins個類，它們都具有相同的寬度。
2、“quantile”，類的邊緣被定義，從而使得每個類都具有相同數量的觀測值。
假設妳的模型具有良好的精度，則校準曲線將單調增加。但這並不意味著模型已被正確校準。實際上，只有在校準曲線非常接近等分線時（即下圖中的灰色虛線），您的模型才能得到很好的校準，因為這將意味著預測概率基本上接近理論概率。
python繪制預測模型中如何解決校準錯誤：
假設妳已經訓練了壹個分類器，該分類器會產生準確但未經校準的概率。概率校準的思想是建立第二個模型（稱為校準器），校準器模型能夠將妳訓練的分類器“校準”為實際概率。
因此，校準包括了將壹個壹維矢量（未校準概率）轉換為另壹個壹維矢量（已校準概率）的功能。
兩種常被用作校準器的方法：
1、保序回歸：壹種非參數算法，這種非參數算法將非遞減的自由格式行擬合到數據中。行不會減少這壹事實是很重要的，因為它遵從原始排序。
2、邏輯回歸：現在有三種選擇來預測概率：普通隨機森林、隨機森林 + 保序回歸、隨機森林 + 邏輯回歸。