Yellowbrick是由一套被称为"Visualizers"组成的可视化诊断工具组成的套餐，其由Scikit-Learn API延伸而来，对模型选择过程其指导作用。总之，Yellowbrick结合了Scikit-Learn和Matplotlib并且最好得传承了Scikit-Learn文档，对你的模型进行可视化！ Juan L. Kehoe
Yellowbrick主要包含的组件如下：
特征可视化
Rank Features: 对单个或者两两对应的特征进行排序以检测其相关性
Parallel Coordinates: 对实例进行水平视图
Radial Visualization: 在一个圆形视图中将实例分隔开
PCA Projection: 通过主成分将实例投射
Feature Importances: 基于它们在模型中的表现对特征进行排序
Scatter and Joint Plots: 用选择的特征对其进行可视化
分类可视化
Class Balance: 看类的分布怎样影响模型
Classification Report: 用视图的方式呈现精确率，召回率和F1值
ROC/AUC Curves: 特征曲线和ROC曲线子下的面积
Confusion Matrices: 对分类决定进行视图描述
回归可视化
Prediction Error Plot: 沿着目标区域对模型进行细分
Residuals Plot: 显示训练数据和测试数据中残差的差异
Alpha Selection: 显示不同alpha值选择对正则化的影响
聚类可视化
K-Elbow Plot: 用肘部法则或者其他指标选择k值
Silhouette Plot: 通过对轮廓系数值进行视图来选择k值
文本可视化
Term Frequency: 对词项在语料库中的分布频率进行可视化
t-SNE Corpus Visualization: 用随机邻域嵌入来投射文档
Yellowbrick仅能运行于python3.4以上版本，安装十分简单。
$ pip install yellowbrick
使用方法也很简单，以特征选择为例
from sklearn.linear_model import Lasso from yellowbrick.datasets import load_concrete from yellowbrick.model_selection import FeatureImportances # Load the regression dataset dataset = load_concrete(return_dataset=True) X, y = dataset.to_data() # Title case the feature for better display and create the visualizer labels = list(map(lambda s: s.title(), dataset.meta['features'])) viz = FeatureImportances(Lasso(), labels=labels, relative=False) # Fit and show the feature importances viz.fit(X, y) viz.poof()
