Matplotlib库

1. Matplotlib 简介

1.1 为什么在 AI/ML/DL 中使用 Matplotlib？

Matplotlib 是 Python 中最基础且广泛使用的数据可视化库，在 AI/ML/DL 领域有以下关键用途：

• 模型评估：可视化混淆矩阵、ROC 曲线、损失曲线等，帮助分析模型性能。
• 数据探索：绘制数据分布、特征相关性、降维结果（如 t-SNE），辅助数据预处理。
• 结果展示：生成图像网格、特征重要性图，用于论文、报告或演示。
• 灵活性：支持高度自定义，适合复杂的 ML/DL 实验需求。
• 生态兼容：与 NumPy、Pandas、Scikit-learn、PyTorch、TensorFlow 等无缝集成。

相比其他工具（如 Seaborn 或 Plotly），Matplotlib 提供了底层控制，适合需要精细调整的场景，尤其在学术研究和实验分析中。

1.2 安装与基本设置

安装 Matplotlib：

pip install matplotlib

验证安装：

import matplotlib
print(matplotlib.__version__)  # 示例输出：3.9.2

导入核心模块：

import matplotlib.pyplot as plt
import numpy as np

约定：plt 是标准别名，简化代码。

---

2. Matplotlib 基础

2.1 核心概念

• Figure：整个图形窗口，类似画布。
• Axes：图表中的绘图区域，一个 Figure 可包含多个 Axes（子图）。
• Axis：坐标轴（x 轴或 y 轴），包含刻度和标签。

关系：Figure → 包含多个 Axes → 每个 Axes 包含 Axis。

2.2 绘制简单的折线图（损失曲线）

在 ML/DL 中，损失曲线是监控模型训练过程的标配。以下是一个示例：

# 模拟训练和验证损失
epochs = np.arange(1, 11)
train_loss = np.array([0.9, 0.7, 0.5, 0.4, 0.3, 0.25, 0.2, 0.18, 0.15, 0.12])
val_loss = np.array([1.0, 0.8, 0.6, 0.55, 0.5, 0.48, 0.45, 0.43, 0.42, 0.41])

plt.plot(epochs, train_loss, 'b-', label='Training Loss')  # 蓝色实线
plt.plot(epochs, val_loss, 'r--', label='Validation Loss')  # 红色虚线
plt.title('Training and Validation Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.grid(True)
plt.show()

2.3 自定义样式

为增强可读性，可以添加标题、标签、网格等：

plt.plot(epochs, train_loss, 'b-', label='Training Loss')
plt.plot(epochs, val_loss, 'r--', label='Validation Loss')
plt.title('Loss Curve', fontsize=14)
plt.xlabel('Epoch', fontsize=12)
plt.ylabel('Loss', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.legend(fontsize=10)
plt.show()

---

3. AI/ML/DL 常用可视化类型

以下是 ML/DL 领域中最常用的 Matplotlib 可视化类型，包含代码示例。

3.1 损失曲线（Loss Curve）

如上所述，损失曲线用于监控模型训练。以下是一个更真实的例子，结合 PyTorch 的训练过程：

import torch
import torch.nn as nn
import torch.optim as optim

# 模拟简单模型和数据
model = nn.Linear(10, 1)
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
X = torch.randn(100, 10)
y = torch.randn(100, 1)
losses = []

# 训练
for epoch in range(50):
    optimizer.zero_grad()
    outputs = model(X)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()
    losses.append(loss.item())

# 绘制损失曲线
plt.plot(range(1, 51), losses, 'b-', label='Training Loss')
plt.title('Training Loss Curve')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.grid(True)
plt.show()

3.2 混淆矩阵（Confusion Matrix）

混淆矩阵是分类任务中评估模型性能的核心工具。以下示例使用 Scikit-learn 和 Matplotlib 绘制：

from sklearn.metrics import confusion_matrix
import seaborn as sns  # 用于美化热力图