统计图名称查询及Matplotlib绘制方法咨询（含Logistic Regression需求）

一、图表名称 #

你提到的这类图表是校准曲线（Calibration Curve/Calibration Plot），主要用于评估分类模型（如Logistic回归）的预测概率与实际事件发生概率的一致性。图中通常包含：

• 理想校准线（y=x，代表预测概率完全匹配实际概率）
• 模型校准曲线（展示模型预测概率对应的实际事件发生频率）
• 部分版本会添加置信区间或分组观测的实际频率点

二、Python Matplotlib绘制Logistic回归校准曲线示例 #

以下是结合scikit-learn训练模型、用Matplotlib绘制校准曲线的完整代码，同时包含Logistic回归的结果展示：

1. 导入依赖库 #

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.calibration import calibration_curve
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, roc_auc_score

2. 生成数据并训练Logistic回归模型 #

# 生成二分类模拟数据集
X, y = make_classification(n_samples=10000, n_features=10, n_informative=5, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练Logistic回归模型
log_reg = LogisticRegression(max_iter=1000, random_state=42)
log_reg.fit(X_train, y_train)

# 获取测试集的预测概率与预测类别
y_proba = log_reg.predict_proba(X_test)[:, 1]
y_pred = log_reg.predict(X_test)

3. 绘制校准曲线 #

# 计算校准曲线的实际频率与预测概率分组数据
prob_true, prob_pred = calibration_curve(y_test, y_proba, n_bins=10, strategy='uniform')

# 绘图
plt.figure(figsize=(8, 8))
# 绘制理想校准线
plt.plot([0, 1], [0, 1], "k--", label="Ideal Calibration")
# 绘制模型校准曲线
plt.plot(prob_pred, prob_true, "s-", label="Logistic Regression")
# 叠加分组实际频率散点
plt.scatter(prob_pred, prob_true, c='crimson', s=60, zorder=6)

# 设置图表样式
plt.xlabel("Predicted Probability")
plt.ylabel("Actual Event Probability")
plt.title("Calibration Curve for Logistic Regression")
plt.legend(loc="lower right")
plt.grid(alpha=0.3)
plt.xlim(0, 1)
plt.ylim(0, 1)

plt.show()

4. 展示Logistic回归核心评估结果 #

accuracy = accuracy_score(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_proba)

print(f"Logistic Regression Accuracy: {accuracy:.4f}")
print(f"Logistic Regression ROC-AUC: {roc_auc:.4f}")

补充说明 #

• calibration_curve函数通过将预测概率分组（n_bins控制分组数），计算每组的实际事件发生频率，生成校准曲线数据；若需要更平滑的曲线，可尝试strategy='quantile'按分位数分组。
• 若使用真实业务数据，只需替换模拟数据生成部分，直接传入你的特征矩阵与标签即可。

内容的提问来源于stack exchange，提问作者anoy_2395