python绘制预测模型校准图可以使用校准曲线，因为预测一个模型校准的最简单的方法是通过一个称为“校准曲线”的图（也称为“可靠性图”，reliability diagram）。
这个方法主要是将观察到的结果通过概率划分为几类（bin）。因此，属于同一类的观测值具有相近的概率。
对于每个类，校准曲线将预测这个类的平均值，然后将预测概率的平均值与理论平均值（即观察到的目标变量的平均值）进行比较。
你只需要确定类的数量和以下两者之间的分类策略即可：
1、“uniform”，一个0-1的间隔被分为n_bins个类，它们都具有相同的宽度。
2、“quantile”，类的边缘被定义，从而使得每个类都具有相同数量的观测值。
假设你的模型具有良好的精度，则校准曲线将单调增加。但这并不意味着模型已被正确校准。实际上，只有在校准曲线非常接近等分线时（即下图中的灰色虚线），您的模型才能得到很好的校准，因为这将意味着预测概率基本上接近理论概率。
python绘制预测模型中如何解决校准错误：
假设你已经训练了一个分类器，该分类器会产生准确但未经校准的概率。概率校准的思想是建立第二个模型（称为校准器），校准器模型能够将你训练的分类器“校准”为实际概率。
因此，校准包括了将一个一维矢量（未校准概率）转换为另一个一维矢量（已校准概率）的功能。
两种常被用作校准器的方法：
1、保序回归：一种非参数算法，这种非参数算法将非递减的自由格式行拟合到数据中。行不会减少这一事实是很重要的，因为它遵从原始排序。
2、逻辑回归：现在有三种选择来预测概率：普通随机森林、随机森林 + 保序回归、随机森林 + 逻辑回归。
a = [x,x,x,x,x,x,x]h = []
l = []
for i in range(1, len(a)-1):
if(a[i-1] < a[i] and a[i+1] < a[i]):
h.append(a[i])
elif(a[i-1] > a[i] and a[i+1] > a[i]):
l.append(a[i])
if(len(h) == 0):
h.append(max(a))
if(len(l) == 0):
l.append(min(a[a.index(max(a)):]))
print h
print l
