Yellowbrick是scikit-learn的可视化扩展，需匹配scikit-learn≥1.0、matplotlib、numpy；安装推荐pip install yellowbrick scikit-learn>=1.0.2；Jupyter中需%matplotlib inline；ClassificationReport、ROCAUC、FeatureImportances等Visualizer要求模型已拟合且具备相应属性（如predict_proba、feature_importances_或coef_），多分类需显式设multi_class="ovr"。

Yellowbrick安装与基础依赖检查

Yellowbrick 是 scikit-learn 的可视化扩展，必须和兼容版本的 scikit-learn、matplotlib、numpy 一起使用。常见报错如 AttributeError: 'Pipeline' object has no attribute 'classes_' 或绘图空白，往往源于版本不匹配。

• 确保 scikit-learn ≥ 1.0（Yellowbrick 1.5+ 要求）；低于该版本可能触发 DeprecationWarning: The 'y' parameter is deprecated
• 安装时显式指定版本更稳妥：pip install yellowbrick scikit-learn>=1.0.2
• Jupyter 中若图形不显示，确认已运行 %matplotlib inline，且未在 plt.ioff() 状态下调用 visualizer

用ClassificationReport快速诊断多类分类偏差

ClassificationReport 比原生 classification_report() 多一层视觉对比，特别适合发现类别间 recall/precision 失衡。

• 必须传入训练好的模型（非 pipeline 的 fit 结果），且模型需支持 predict_proba 或 decision_function（否则 is_fitted 检查失败）
• 若遇到 ValueError: y_true and y_pred contain different number of classes，检查 y_train 和 y_test 是否用了相同 LabelEncoder，或直接传入原始字符串标签（Yellowbrick 会内部处理）
• 示例片段：

  from yellowbrick.classifier import ClassificationReport
  viz = ClassificationReport(model, support=True)
  viz.fit(X_train, y_train)
  viz.score(X_test, y_test)
  viz.show()  # 注意：不是 plt.show()
  

ROC曲线绘制时的二分类限制与multi_class变通

ROCAUC 默认只接受二分类任务。传入三分类 y_test 会直接抛出 ValueError: Target is multiclass but average='binary'。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 解决 multi-class ROC：设置 multi_class="ovr"（one-vs-rest），并确保模型支持概率输出（如 SVC(probability=True)）
• 若用 LogisticRegression，默认已有 predict_proba；但 SVC 必须显式开启 probability=True，否则 ROCAUC 初始化就失败
• 避免在未 fit 的模型上调用 viz.score()，否则报 NotFittedError —— Yellowbrick 不自动拟合模型，它只复用已有模型的 predict_proba

FeatureImportances对树模型外模型的兼容性陷阱

FeatureImportances 表面看能接任意模型，但实际只安全支持具备 feature<em>importances</em> 属性的模型（如 RandomForestClassifier、XGBClassifier）。

立即学习“Python免费学习笔记（深入）”；

• 对 LinearRegression 或 LogisticRegression，需手动传入 absolute=False 并改用 coef_：FeatureImportances(model, relative=False, method="coef")
• 若模型无 coef_ 也无 feature<em>importances</em>（如 KNeighborsClassifier），会直接 AttributeError —— 此时应换用 PermutationImportance 或放弃该图
• 排序逻辑默认按绝对值降序；若想看原始系数符号影响，必须设 relative=False 且确保 method="coef"

Yellowbrick 的核心便利在于封装了评估逻辑与绘图逻辑，但它的“智能”有明确边界：它不帮你做数据预处理，不自动适配模型接口差异，也不隐藏 scikit-learn 底层约束。最容易卡住的地方，永远是模型是否真正 fit 过、是否有对应属性、以及 multi-class 场景下参数是否显式声明。