我正在使用pycaret构建一个分类模型，使用的代码如下：
sample = pd.DataFrame(sample)exp_clf = setup(sample, target = 'match',fix_imbalance = True)clf_model = create_model('lightgbm')tuned_clf_model = tune_model(clf_model, optimize = 'Recall')tuned_tuned_clf_model_pred = predict_model(tuned_clf_model, data = sample)现在问题出现在这里，因为标签1和0的分数有重叠：
这是我使用的数据，可以转换为字典并按上述代码的第一行转换为数据框。
sample = {'same_add_number': {1521: False, 1756: False, 2456: False, 589: False, 51: False, 668: False, 3030: False, 864: True, 681: False, 372: False, 2768: False, 3519: False, 2212: True, 2424: False, 672: False, 1802: False, 3910: False, 1174: False, 1556: False, 922: False, 3416: False, 719: False, 641: False, 1364: False, 3153: False, 775: False, 967: False, 4054: False, 518: False, 121: False, 1027: False, 4447: True, 257: False, 706: True, 3219: False, 3009: True, 3980: False, 483: False, 3154: False, 4399: True, 2085: False, 373: False, 1469: False, 768: False, 1491: True, 2734: False, 2623: False, 746: True, 1647: False, 3806: False, 4351: False, 925: False, 602: False, 992: False, 2041: False, 1911: False, 615: False, 759: False, 835: False, 2139: False, 56: False, 1980: False, 995: True, 1696: False, 166: False, 114: True, 275: False, 2973: False, 1313: False, 1039: False, 1573: False, 771: False, 3193: False, 2292: False, 2597: False, 1747: False, 1939: False, 2598: False, 1998: False, 3288: False, 528: False, 829: False, 3591: False, 973: False, 4383: False, 1689: False, 1286: False, 4388: False, 491: False, 3920: False, 449: False, 2840: False, 1324: False, 2801: False, 1605: False, 1355: False, 1444: False, 941: False, 4109: False, 1767: False, 839: False, 188: False, 3939: False, 1186: False, 540: False, 1456: False, 3925: True, 1782: False, 1733: False, 64: True, 2710: False, 893: False, 1434: False, 1244: False, 503: False, 3044: False, 1617: False, 2878: False, 913: False, 799: False, 2202: False, 3503: False, 4063: False, 3756: False, 659: False, 1287: False, 3843: False, 2026: True, 1224: False, 705: False, 900: False, 500: False, 614: False, 2766: False, 8: False, 981: False, 1919: False, 2790: False, 1098: False, 1442: False, 2634: False, 3346: False, 652: True, 2324: False, 972: False, 287: False, 2481: False, 2486: False, 4272: False, 4011: False, 4: False, 1645: False, 863: False, 688: False, 2365: False, 3522: False, 13: False, 3251: False, 1410: False, 2306: False, 443: False, 221: False, 632: True, 2549: False, 783: False, 3221: False, 3183: False, 410: False, 1289: False, 1691: False, 2015: False, 1022: True, 455: False, 572: False, 2747: False, 3670: False, 4441: False, 2559: False, 159: False, 91: False, 263: False, 3012: False, 1234: False, 4040: False, 288: False, 89: False, 1029: False, 1180: False, 1083: False, 3970: False, 4201: False, 709: False, 2401: False, 1071: False, 2954: True, 29: True}, 'same_add_name': {1521: False, 1756: False, 2456: False, 589: False, 51: False, 668: False, 3030: False, 864: False, 681: False, 372: False, 2768: False, 3519: False, 2212: False, 2424: False, 672: False, 1802: False, 3910: False, 1174: False, 1556: False, 922: False, 3416: False, 719: False, 641: False, 1364: False, 3153: False, 775: False, 967: False, 4054: False, 518: False, 121: False, 1027: False, 4447: False, 257: False, 706: False, 3219: False, 3009: False, 3980: False, 483: False, 3154: False, 4399: False, 2085: False, 373: False, 1469: False, 768: False, 1491: False, 2734: False, 2623: False, 746: False, 1647: False, 3806: False, 4351: False, 925: False, 602: False, 992: False, 2041: False, 1911: False, 615: True, 759: False, 835: False, 2139: False, 56: False, 1980: False, 995: False, 1696: False, 166: False, 114: False, 275: False, 2973: False, 1313: False, 1039: False, 1573: False, 771: False, 3193: False, 2292: False, 2597: False, 1747: False, 1939: False, 2598: False, 1998: False, 3288: False, 528: False, 829: False, 3591: False, 973: False, 4383: False, 1689: False, 1286: False, 4388: False, 491: False, 3920: False, 449: False, 2840: False, 1324: False, 2801: False, 1605: False, 1355: False, 1444: False, 941: False, 4109: False, 1767: False, 839: False, 188: False, 3939: False, 1186: False, 540: False, 1456: False, 3925: False, 1782: False, 1733: False, 64: False, 2710: False, 893: False, 1434: False, 1244: False, 503: False, 3044: False, 1617: False, 2878: False, 913: False, 799: False, 2202: False, 3503: False, 4063: False, 3756: False, 659: False, 1287: False, 3843: False, 2026: False, 1224: False, 705: False, 900: False, 500: False, 614: False, 2766: False, 8: False, 981: False, 1919: False, 2790: False, 1098: False, 1442: False, 2634: False, 3346: False, 652: False, 2324: False, 972: False, 287: False, 2481: False, 2486: False, 4272: False, 4011: False, 4: False, 1645: False, 863: False, 688: False, 2365: False, 3522: False, 13: False, 3251: False, 1410: False, 2306: False, 443: False, 221: False, 632: False, 2549: False, 783: False, 3221: False, 3183: False, 410: False, 1289: False, 1691: False, 2015: False, 1022: False, 455: False, 572: False, 2747: False, 3670: False, 4441: False, 2559: False, 159: False, 91: False, 263: True, 3012: False, 1234: False, 4040: False, 288: False, 89: False, 1029: False, 1180: False, 1083: False, 3970: False, 4201: False, 709: False, 2401: False, 1071: False, 2954: False, 29: False}, 'name_score_fuzzy': {1521: 78, 1756: 71, 2456: 73, 589: 38, 51: 71, 668: 49, 3030: 75, 864: 47, 681: 75, 372: 72, 2768: 73, 3519: 85, 2212: 100, 2424: 85, 672: 74, 1802: 46, 3910: 73, 1174: 47, 1556: 80, 922: 73, 3416: 71, 719: 55, 641: 71, 1364: 79, 3153: 74, 775: 54, 967: 73, 4054: 100, 518: 72, 121: 49, 1027: 38, 4447: 100, 257: 74, 706: 40, 3219: 71, 3009: 93, 3980: 72, 483: 46, 3154: 68, 4399: 100, 2085: 80, 373: 77, 1469: 23, 768: 50, 1491: 100, 2734: 79, 2623: 79, 746: 88, 1647: 73, 3806: 79, 4351: 72, 925: 65, 602: 83, 992: 46, 2041: 78, 1911: 77, 615: 45, 759: 52, 835: 77, 2139: 77, 56: 81, 1980: 71, 995: 59, 1696: 83, 166: 71, 114: 50, 275: 47, 2973: 80, 1313: 73, 1039: 75, 1573: 70, 771: 53, 3193: 100, 2292: 79, 2597: 71, 1747: 78, 1939: 84, 2598: 71, 1998: 77, 3288: 85, 528: 44, 829: 72, 3591: 80, 973: 47, 4383: 80, 1689: 85, 1286: 41, 4388: 75, 491: 77, 3920: 70, 449: 73, 2840: 79, 1324: 81, 2801: 73, 1605: 47, 1355: 72, 1444: 72, 941: 62, 4109: 79, 1767: 34, 839: 35, 188: 63, 3939: 75, 1186: 49, 540: 44, 1456: 41, 3925: 91, 1782: 43, 1733: 74, 64: 21, 2710: 71, 893: 57, 1434: 75, 1244: 77, 503: 75, 3044: 71, 1617: 73, 2878: 71, 913: 63, 799: 78, 2202: 71, 3503: 77, 4063: 75, 3756: 77, 659: 51, 1287: 76, 3843: 73, 2026: 100, 1224: 71, 705: 81, 900: 65, 500: 42, 614: 81, 2766: 76, 8: 71, 981: 73, 1919: 73, 2790: 71, 1098: 76, 1442: 73, 2634: 73, 3346: 81, 652: 100, 2324: 84, 972: 73, 287: 63, 2481: 76, 2486: 76, 4272: 64, 4011: 73, 4: 74, 1645: 17, 863: 46, 688: 71, 2365: 76, 3522: 73, 13: 52, 3251: 74, 1410: 80, 2306: 71, 443: 71, 221: 73, 632: 65, 2549: 80, 783: 53, 3221: 71, 3183: 75, 410: 53, 1289: 71, 1691: 85, 2015: 71, 1022: 67, 455: 100, 572: 100, 2747: 77, 3670: 74, 4441: 81, 2559: 84, 159: 22, 91: 79, 263: 41, 3012: 76, 1234: 77, 4040: 73, 288: 82, 89: 71, 1029: 82, 1180: 78, 1083: 77, 3970: 75, 4201: 76, 709: 46, 2401: 76, 1071: 83, 2954: 93, 29: 52}, 'name_score_cos': {1521: 0.805341232815891, 1756: 1.0000000156276607, 2456: 0.7146280288550899, 589: 0.4944973860854622, 51: 0.16448994174134138, 668: 0.6680419517655739, 3030: 0.5178230596082453, 864: 0.34284966537760764, 681: 0.8220122172271629, 372: 0.7372570578072887, 2768: 1.0000000748631144, 3519: 0.6544869126589294, 2212: 1.0, 2424: 0.9999999107799844, 672: 0.8006864625973021, 1802: 0.008748746635272902, 3910: 0.6029157847994123, 1174: 0.43891392720221256, 1556: 0.4592255006317409, 922: 0.602017340163112, 3416: 0.7887549792307141, 719: 0.13458379717430374, 641: 0.8221775985370106, 1364: 0.8349841579827227, 3153: 0.6395051509895127, 775: 0.4861694445439952, 967: 0.6240594839420581, 4054: 1.0, 518: 0.8274708074953143, 121: 0.4156175285346006, 1027: 0.4172238782731538, 4447: 1.0, 257: 0.7144798398523643, 706: 0.2914152988288179, 3219: 0.4892006725361837, 3009: 0.8732375138387463, 3980: 0.5371502775293667, 483: 0.6532926383429954, 3154: 0.7500245353516992, 4399: 1.0, 2085: 0.6994934983150074, 373: 0.0, 1469: 0.13834207989466868, 768: 0.0, 1491: 1.0, 2734: 0.5744607478435466, 2623: 0.521054474126365, 746: 0.900627520280279, 1647: 0.46841195036889005, 3806: 0.5245533025793365, 4351: 0.7190153036645236, 925: 0.602017340163112, 602: 0.8180017827481202, 992: 0.6552306767756036, 2041: 0.8416265969822513, 1911: 0.5760342064839252, 615: 0.3142721314062845, 759: 0.29937879126297773, 835: 0.4814135508437952, 2139: 0.8103994874531241, 56: 0.4777649573427413, 1980: 0.4501770315717141, 995: 0.3185447219204094, 1696: 0.9999999289827698, 166: 0.0, 114: 0.0, 275: -0.059108179802214694, 2973: 0.0, 1313: 0.4103695338595878, 1039: 0.4158014949799697, 1573: 0.7687119146546476, 771: -0.038431693364239676, 3193: 1.0, 2292: 0.9999999289827698, 2597: 0.7014107947566588, 1747: 0.613680567239729, 1939: 0.8930406720693059, 2598: 1.0000000156276607, 1998: 0.9999999107799844, 3288: 0.6015149463851227, 528: 0.48037545624105144, 829: 0.3520640350139409, 3591: 0.5123337954949542, 973: 0.29920325457748886, 4383: 0.605345098540998, 1689: 0.699458791765087, 1286: 0.26151465192863704, 4388: 0.5996518099075245, 491: 0.8274708074953143, 3920: 0.5561721737068668, 449: 0.5309349410096579, 2840: 0.6964415538329863, 1324: 0.8352363777690135, 2801: 0.0, 1605: 0.3992469760734788, 1355: 0.5092696449238323, 1444: 0.7013725048779127, 941: 0.0, 4109: 0.7371134488841004, 1767: 0.32686654729234066, 839: 0.28650412696593686, 188: 0.11578000694274473, 3939: 0.5182830082849388, 1186: 0.5399906358163992, 540: 0.23601516039791495, 1456: 0.4462820528772964, 3925: 0.39035408504387764, 1782: 0.17470256029413367, 1733: 0.9999999289827698, 64: 0.47240949440644947, 2710: 0.21737616101123375, 893: 0.3889650515319831, 1434: 0.3144768136655605, 1244: 0.8456850404860974, 503: 0.8274708074953143, 3044: 0.5604645740029809, 1617: 0.8343403856383358, 2878: 0.6624314741881498, 913: 0.3665973835032023, 799: 0.5785308541963937, 2202: 0.584334176199583, 3503: 0.7330193052968511, 4063: 0.633698984756138, 3756: 0.588157437279164, 659: 0.8040106952622528, 1287: 0.6826384100268522, 3843: 0.7287410320020241, 2026: 1.0, 1224: 0.0, 705: 0.7278133754982946, 900: 0.592942126263229, 500: 0.5038847249789867, 614: 0.6417445279680914, 2766: 0.9999999574199627, 8: 0.722455004886235, 981: 0.6168699100990872, 1919: 0.6551439293796956, 2790: 0.0, 1098: 0.5890947178422432, 1442: 0.39311307805458195, 2634: 0.5434702892550847, 3346: 0.5956843029692919, 652: 1.0, 2324: 0.7619312086149606, 972: 0.5067710204705025, 287: 0.6569573257912408, 2481: 0.5829629588847571, 2486: 0.436286219251023, 4272: 0.5408064181796995, 4011: 0.9999999289827698, 4: 0.7647923556190919, 1645: 0.4139532701675873, 863: 0.40369910836161105, 688: 0.0, 2365: 0.7371134488841004, 3522: 0.6205927634025437, 13: 0.6688829431116972, 3251: 0.7114075759658299, 1410: 0.3589092268079449, 2306: 1.0000000396582405, 443: 0.6808489866836555, 221: 0.5811068730506951, 632: 0.5470606107366598, 2549: 0.7123831914993078, 783: 0.46296630135808603, 3221: 0.5883753355908442, 3183: 0.7371134488841004, 410: 0.7604057492722187, 1289: 0.5855230248645426, 1691: 0.727210015672603, 2015: 0.9999999107799844, 1022: 0.0, 455: 1.0, 572: 1.0, 2747: 0.7761666318621021, 3670: 0.5560044398288135, 4441: 0.7697792208927854, 2559: 0.5788817989918374, 159: 0.27027908726745226, 91: 0.5462872872864122, 263: 0.3015316394560223, 3012: 0.6611230100784922, 1234: 0.6639184765411582, 4040: 0.9999999768133089, 288: 0.7681366994965638, 89: 0.7030570621995992, 1029: 0.5322036652128525, 1180: 0.3590668280085605, 1083: 0.7805410171946893, 3970: 0.47446565960369524, 4201: 0.813152589308668, 709: 0.37964467582959255, 2401: 0.6551620258724654, 1071: 0.21475894870778542, 2954: 0.8452728458129916, 29: 0.5138088947304236}, 'match': {1521: 0, 1756: 0, 2456: 0, 589: 0, 51: 0, 668: 0, 3030: 0, 864: 1, 681: 0, 372: 0, 2768: 0, 3519: 0, 2212: 1, 2424: 0, 672: 0, 1802: 0, 3910: 0, 1174: 0, 1556: 0, 922: 0, 3416: 0, 719: 0, 641: 0, 1364: 0, 3153: 0, 775: 0, 967: 0, 4054: 1, 518: 0, 121: 0, 1027: 0, 4447: 1, 257: 0, 706: 0, 3219: 0, 3009: 0, 3980: 0, 483: 0, 3154: 0, 4399: 1, 2085: 0, 373: 0, 1469: 0, 768: 0, 1491: 1, 2734: 0, 2623: 0, 746: 1, 1647: 0, 3806: 0, 4351: 0, 925: 0, 602: 0, 992: 0, 2041: 0, 1911: 0, 615: 0, 759: 0, 835: 0, 2139: 0, 56: 0, 1980: 0, 995: 1, 1696: 0, 166: 0, 114: 1, 275: 0, 2973: 0, 1313: 0, 1039: 0, 1573: 0, 771: 0, 3193: 0, 2292: 0, 2597: 0, 1747: 0, 1939: 0, 2598: 0, 1998: 0, 3288: 0, 528: 0, 829: 0, 3591: 0, 973: 0, 4383: 0, 1689: 0, 1286: 0, 4388: 0, 491: 0, 3920: 0, 449: 0, 2840: 0, 1324: 0, 2801: 0, 1605: 0, 1355: 0, 1444: 0, 941: 0, 4109: 0, 1767: 0, 839: 0, 188: 0, 3939: 0, 1186: 0, 540: 0, 1456: 0, 3925: 1, 1782: 0, 1733: 0, 64: 0, 2710: 0, 893: 0, 1434: 0, 1244: 0, 503: 0, 3044: 0, 1617: 0, 2878: 0, 913: 0, 799: 0, 2202: 0, 3503: 0, 4063: 0, 3756: 0, 659: 0, 1287: 0, 3843: 0, 2026: 1, 1224: 0, 705: 0, 900: 0, 500: 0, 614: 0, 2766: 0, 8: 0, 981: 0, 1919: 0, 2790: 0, 1098: 0, 1442: 0, 2634: 0, 3346: 0, 652: 1, 2324: 0, 972: 0, 287: 0, 2481: 0, 2486: 0, 4272: 0, 4011: 0, 4: 0, 1645: 0, 863: 0, 688: 0, 2365: 0, 3522: 0, 13: 0, 3251: 0, 1410: 0, 2306: 0, 443: 0, 221: 0, 632: 0, 2549: 0, 783: 0, 3221: 0, 3183: 0, 410: 0, 1289: 0, 1691: 0, 2015: 0, 1022: 1, 455: 1, 572: 1, 2747: 0, 3670: 0, 4441: 0, 2559: 0, 159: 0, 91: 0, 263: 0, 3012: 0, 1234: 0, 4040: 0, 288: 0, 89: 0, 1029: 0, 1180: 0, 1083: 0, 3970: 0, 4201: 0, 709: 0, 2401: 0, 1071: 0, 2954: 0, 29: 1}}回答：
奇怪的是，分数被设置为标签的概率。换句话说，如果模型的原始输出为0.01，数据框将显示为Label = 0 | Score = 0.99。如果模型的原始输出为0.99，数据框将显示为Label = 1 | Score = 0.99。我认为这在进行二元分类以外的分类时可能更有意义。
如果你不满足于仅仅相信我的话（我不会怪你），你可以通过更改预测行来获取原始分数：
tuned_tuned_clf_model_pred = predict_model(tuned_clf_model, raw_score=True, data = sample)注意raw_score=True。然后你的数据框将有两个分数列（Score_0和Score_1）。从那里，你可以通过以下方式获取你想要的直方图：
tuned_tuned_clf_model_pred[tuned_tuned_clf_model_pred["Label"]==0].Score_1.hist()tuned_tuned_clf_model_pred[tuned_tuned_clf_model_pred["Label"]==1].Score_1.hist() 