scikit-learn:matplotlib.pyplot常用画图功能总结(1)

本文总结了matplotlib.pyplot的基本画图功能,包括plot函数的使用,如指定颜色、坐标范围、添加轴标签和标题、绘制网格。此外,还介绍了scatter函数用于创建散点图,强调了它与plot的不同之处,如不能同时画多条曲线,并给出了实例展示。最后提到了hold关键字在连续绘制图形时的作用。

参考:http://matplotlib.org/api/pyplot_api.html

画图功能总结(2):http://blog.youkuaiyun.com/mmc2015/article/details/48222611


1、matplotlib.pyplot.plot(*args**kwargs),最简单的沿坐标轴划线函数

下面四种格式都合法:

plot(x, y)        # plot x and y using default line style and color
plot(x, y, 'bo')  # plot x and y using blue circle markers
plot(y)           # plot y using x as index array 0..N-1
plot(y, 'r+')     # ditto, but with red plusses

<pre name="code" class="python">import numpy as np
import matplotlib.pyplot as plt

x1=np.arange(0,5,0.1)
y1=np.sin(x1)
x2=np.linspace(1,10,20,True)
y2=np.cos(x2)

plt.plot(x1,y1,'b^')

 
 

也可以同时画一组图:

plt.plot(x1, y1, 'go', x2, y2, 'r-')

如果颜色不显示指出,则默认循环使用不同的颜色,支持的颜色有:

character color
‘b’ blue
‘g’ green
‘r’ red
‘c’ cyan
‘m’ magenta
‘y’ yellow
‘k’ black
‘w’ white
支持的line style有:

character description
'-' solid line style
'--' dashed line style
'-.' dash-dot line style
':' dotted line style
'.' point marker
',' pixel marker
'o' circle marker
'v' triangle_down marker
'^' triangle_up marker
'<' triangle_left marker
'>' triangle_right marker
'1' tri_down marker
'2' tri_up marker
一:实验目的 1.了解线性回归模型相关知识。 2.学习scikit-learn、numpy机器学习库的基本使用。 3.学习最小二乘法方法实现线性回归求解二:实验环境 环境:python 软件:PyCharm 或 Vscode,以及anaconda 安装anaconda可参考:https://blog.csdn.net/Natsuago/article/details/143081283 需要安装的库: 1.python 2.numpy 3.pandas 4.matplotlib 5.scikit-learn 三:实验内容 有如下数据集Folds5x2_pp.csv,共有9568个样本数据,每个数据有5列,分别是:AT(温度), V(压力), AP(湿度), RH(压强), PE(输出电力)。我们不用纠结于每项具体的意义。 图一:样本数据样例 AT、V、AP、RH这4列作为样本特征,PE作为样本输出标签,我们试图通过如上数据学习到线性回归模型,也即: θ0+θ1∗AT+θ2∗V+θ3∗AP+θ4∗RH 也就是通过线性回归模型求的θ0、θ1、θ2、θ3、θ4这5个参数。 如上样本数据按3:1随机划分成训练集和测试集,通过使用scikit-learn库中封装好的线性回归算法求出如上参数。 四:实验步骤 1.环境搭建 Win系统中安装python,然后使用pip安装所需要的各个库。 命令如下: pip install 库名 2.数据预处理 对数据集Folds5x2_pp.csv进行处理,按3:1的比例划分为训练集和测 试集,AT、V、AP、RH这4列作为样本特征,PE作为样本输出标签。 3.训练Linear Regression模型 首先建立好一个未训练的LinearRegression()模型,然后,将训练样 本传给模型进行训练。 4.使用测试集评估模型性能 分别计算测试集真实值和预测值的均方误差和均方根误差,来评估模型性能。 5.可视化 利用matplotlib库绘制预测值和实际值之前的关系,预测值和实际值越接近黑色虚线,说明预测值和实际值的误差越小。 附加步骤:基于最小二乘法实现线性回归并测试性能 五:参考代码 创建环境:conda create -n name python=3.8 激活环境:conda activate name 注:“name”为你想要创建环境的名字 安装库:pip install 导入库: import matplotlib.pyplot as plt   #画图工具 import numpy as np import pandas as pd    #使用pandas读取csv数据 from sklearn import datasets,linear_model from sklearn.model_selection import train_test_split   from sklearn.linear_model import LinearRegression from sklearn import metrics  # 引入sklearn模型评价工具库 读取文件:pd.read_csv 划分数据: train_test_split 模型:LinearRegression() 拟合:.fit() 预测 .predict 可视化: def Visualization(y_test,y_pred): fig,ax = plt.subplots() ax.scatter(y_test,y_pred) ax.plot([y_test.min(),y_test.max()],[y_test.min(),y_test.max()],'k--',lw=5)  # ’k–-’,k指线为黑色,–是线的形状。lw指定线宽。 ax.set_xlabel("Measured") ax.set_ylabel("Predicted") plt.show() 帮我完成这个python代码
10-11
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值