正文

如何用sklearn轻松打造数据可视化，展示模型效果全攻略

/0 浏览量
0731

在机器学习领域，数据可视化是理解模型性能和探索数据的重要工具。使用sklearn库，我们可以轻松地创建各种数据可视化图表，帮助我们更好地展示模型效果。以下是一些常用的数据可视化方法，以及如何使用sklearn实现它们。

1. 数据分布可视化

1.1 箱线图

箱线图可以展示数据的分布情况，包括中位数、四分位数和异常值。

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
import seaborn as sns

iris = load_iris()
sns.boxplot(x="species", y="petal length (cm)", data=iris.data)
plt.show()

1.2 直方图

直方图可以展示数据在不同区间的分布情况。

import numpy as np

data = np.random.normal(0, 1, 1000)
plt.hist(data, bins=30)
plt.show()

2. 模型预测可视化

2.1 决策树可视化

使用plot_tree函数可以展示决策树的结构。

from sklearn.tree import DecisionTreeClassifier
from sklearn import tree

clf = DecisionTreeClassifier()
clf = clf.fit(X_train, y_train)

plt.figure(figsize=(12, 12))
tree.plot_tree(clf, filled=True)
plt.show()

2.2 线性回归模型可视化

使用matplotlib可以展示线性回归模型的预测结果。

import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(-3, 3, 50)
y = 1 * X + 2 + np.random.randn(50) * 0.5

plt.scatter(X, y)
plt.plot(X, 1 * X + 2, color='red')
plt.show()

3. 模型性能可视化

3.1 学习曲线

学习曲线可以展示模型在训练集和验证集上的性能。

from sklearn.model_selection import learning_curve

train_sizes, train_scores, test_scores = learning_curve(clf, X, y, train_sizes=np.linspace(0.1, 1.0, 5), cv=5)

train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)

plt.plot(train_sizes, train_scores_mean, label='Training score')
plt.plot(train_sizes, test_scores_mean, label='Cross-validation score')
plt.fill_between(train_sizes, train_scores_mean - train_scores_std, train_scores_mean + train_scores_std, alpha=0.1, color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std, test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.title("Learning Curve")
plt.xlabel("Training examples")
plt.ylabel("Score")
plt.legend(loc="best")
plt.show()

3.2 混淆矩阵

混淆矩阵可以展示模型在不同类别上的预测结果。

from sklearn.metrics import confusion_matrix
import seaborn as sns

cm = confusion_matrix(y_true, y_pred)
sns.heatmap(cm, annot=True, fmt='d')
plt.show()

通过以上方法，我们可以使用sklearn轻松地创建各种数据可视化图表，帮助我们更好地展示模型效果。在实际应用中，根据具体需求选择合适的方法，并进行相应的调整，以获得最佳的可视化效果。

-- 展开阅读全文 --