配景百家乐涩涩快播

在前两篇著作中，依然潜入辩论了转头展望模子的性能评估与数据可视化益处，第一篇著作中——用图表话语：若何有用呈现转头展望模子遗弃，西席若何通过邃密的图表（散点图+旯旮柱状图）展现模子的稽查和测试遗弃（针关于转头展望模子）

图片百家乐涩涩快播

第二篇著作中——SCI图表复现：若何直不雅展示机器学习模子展望遗弃的准确性和一致性，则通过散点图皆集1:1线、最好拟合线、置信区间及R²和MAE经营，全主义直不雅展示模子展望准确性、趋势拟合进度和不笃定性

图片

然则，真正数据的散播与模子展望遗弃的相反每每荫藏在更复杂的图表中，为了更全面地呈现稽查集与测试集之间的联系，并直不雅展示展望值的置信区间及旯旮散播，本篇著作将带人人潜入邻接一套抽象性的可视化决策，本文集成置信区间与旯旮柱状图的新图表边幅，直不雅展示模子的拟合后果，如下：

图片

代码终了

数据读取

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsfrom sklearn import metricsimport scipy.stats as statsplt.rcParams['font.family'] = 'Times New Roman'plt.rcParams['axes.unicode_minus'] = Falsedf_train = pd.read_excel('GBDT_train.xlsx')df_test = pd.read_excel('GBDT_test.xlsx')

从 Excel 文献等分歧加载稽查数据 (GBDT_train.xlsx) 和测试数据 (GBDT_test.xlsx) 到数据框 (df_train 和 df_test) 中，内部包含真正值以及展望值

模子性能计较

from sklearn import metrics# 真正y_train = df_train['Experimental value']y_test = df_test['Experimental value']# 展望y_pred_train = df_train['Predicted value']y_pred_test = df_test['Predicted value']y_pred_train_list = y_pred_train.tolist()y_pred_test_list = y_pred_test.tolist()# 计较稽查集的经营mse_train = metrics.mean_squared_error(y_train， y_pred_train_list)rmse_train = np.sqrt(mse_train)mae_train = metrics.mean_absolute_error(y_train， y_pred_train_list)r2_train = metrics.r2_score(y_train， y_pred_train_list)# 计较测试集的经营mse_test = metrics.mean_squared_error(y_test， y_pred_test_list)rmse_test = np.sqrt(mse_test)mae_test = metrics.mean_absolute_error(y_test， y_pred_test_list)r2_test = metrics.r2_score(y_test， y_pred_test_list)print('稽查集评价经营:')print('均方流毒 (MSE):'， mse_train)print('均方根流毒 (RMSE):'， rmse_train)print('平均皆备流毒 (MAE):'， mae_train)print('拟合优度 (R-squared):'， r2_train)print('\n测试集评价经营:')print('均方流毒 (MSE):'， mse_test)print('均方根流毒 (RMSE):'， rmse_test)print('平均皆备流毒 (MAE):'， mae_test)print('拟合优度 (R-squared):'， r2_test)

图片

从稽查集和测试集的数据中索求真正值 (Experimental value) 和展望值 (Predicted value)，计较模子在稽查集和测试集上的转头性能经营

著作一可视化

# 创建一个包含稽查集和测试集真正值与展望值的数据框data_train = pd.DataFrame({ 'True': y_train， 'Predicted': y_pred_train， 'Data Set': 'Train'})data_test = pd.DataFrame({ 'True': y_test， 'Predicted': y_pred_test， 'Data Set': 'Test'})data = pd.concat([data_train， data_test])# 自界说调色板palette = {'Train': '#b4d4e1'， 'Test': '#f4ba8a'}# 创建 JointGrid 对象plt.figure(figsize=(8， 6)， dpi=1200)g = sns.JointGrid(data=data， x='True'， y='Predicted'， hue='Data Set'， height=10， palette=palette)# 绘图中心的散点图g.plot_joint(sns.scatterplot， alpha=0.5)# 添加稽查集的转头线sns.regplot(data=data_train， x='True'， y='Predicted'， scatter=False， ax=g.ax_joint， color='#b4d4e1'， label='Train Regression Line')# 添加测试集的转头线sns.regplot(data=data_test， x='True'， y='Predicted'， scatter=False， ax=g.ax_joint， color='#f4ba8a'， label='Test Regression Line')# 添加旯旮的柱状图g.plot_marginals(sns.histplot， kde=False， element='bars'， multiple='stack'， alpha=0.5)# 添加拟合优度文本在右下角ax = g.ax_jointax.text(0.95， 0.1， f'Train $R^2$ = {r2_train:.3f}'， transform=ax.transAxes， fontsize=12， verticalalignment='bottom'， horizontalalignment='right'， bbox=dict(boxstyle='round，pad=0.3'， edgecolor='black'， facecolor='white'))ax.text(0.95， 0.05， f'Test $R^2$ = {r2_test:.3f}'， transform=ax.transAxes， fontsize=12， verticalalignment='bottom'， horizontalalignment='right'， bbox=dict(boxstyle='round，pad=0.3'， edgecolor='black'， facecolor='white'))# 在左上角添加模子称号文本ax.text(0.75， 0.99， 'Model = GBDT'， transform=ax.transAxes， fontsize=12， verticalalignment='top'， horizontalalignment='left'， bbox=dict(boxstyle='round，pad=0.3'， edgecolor='black'， facecolor='white'))# 添加中心线ax.plot([data['True'].min()， data['True'].max()]， [data['True'].min()， data['True'].max()]， c='black'， alpha=0.5， linestyle='--'， label='x=y')ax.legend()plt.savefig('TrueFalse.pdf'， format='pdf'， bbox_inches='tight')plt.show()

图片

著作二基础可视化

plt.figure(figsize=(8， 6)， dpi=1200)plt.scatter(y_test， y_pred_test， color='coral'， label='Predicted N₂O concentration'， alpha=0.2)  # 展望值散点图plt.plot(y_test， y_test， color='grey'， alpha=0.6， label='1:1 Line')  # 1:1灰色虚线# 拟合线z = np.polyfit(y_test， y_pred_test， 1)p = np.poly1d(z)plt.plot(y_test， p(y_test)， color='blue'， alpha=0.6，          label=f'Line of Best Fit\n$R^2$ = {r2_test:.2f}，MAE = {mae_test:.2f}')plt.title('GBDT Regression')plt.xlabel('Observed Values')plt.ylabel('Predicted Values')plt.legend(loc='upper left')plt.savefig('1.pdf'， format='pdf'， bbox_inches='tight')plt.show()

图片

パナソニック 分電盤 大形リミッタースペース付 露出・半埋込両用形

集成置信区间与旯旮柱状图

图片

本站仅提供存储就业，扫数推行均由用户发布，如发现存害或侵权推行，请点击举报。