python多个模型的预测曲线在一张图中显示

原创

mob64ca12e2f123 2023-11-19 10:00:07 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12e2f123的原创作品，请联系作者获取转载授权，否则将追究法律责任

用Python绘制多个模型的预测曲线

在机器学习和数据分析中，我们经常需要使用不同的模型来对数据进行预测。为了比较不同模型的性能，常常需要将它们的预测曲线绘制在同一张图中进行对比。本文将介绍如何使用Python绘制多个模型的预测曲线，并展示代码示例。

准备数据

首先，我们需要准备用于训练和测试模型的数据。假设我们有一个回归问题，我们要预测房屋销售价格。数据集包含房屋的面积和销售价格。我们可以使用Pandas库来加载和处理数据。

import pandas as pd

# 加载数据
data = pd.read_csv('house_prices.csv')

# 将数据分为特征和目标变量
X = data['Area']
y = data['Price']

选择模型

接下来，我们需要选择要比较的模型。在本示例中，我们选择了线性回归模型和决策树模型。

from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor

# 创建线性回归模型和决策树模型
linear_model = LinearRegression()
tree_model = DecisionTreeRegressor()

模型训练和预测

然后，我们需要对模型进行训练并进行预测。我们可以使用Scikit-learn库中的fit()和predict()方法来完成这些操作。

# 训练线性回归模型
linear_model.fit(X.values.reshape(-1, 1), y)

# 训练决策树模型
tree_model.fit(X.values.reshape(-1, 1), y)

# 使用训练好的模型进行预测
linear_predictions = linear_model.predict(X.values.reshape(-1, 1))
tree_predictions = tree_model.predict(X.values.reshape(-1, 1))

绘制预测曲线

最后，我们使用Matplotlib库来绘制预测曲线。我们可以将不同模型的预测曲线绘制在同一张图中进行对比。

import matplotlib.pyplot as plt

# 绘制真实数据
plt.scatter(X, y, color='blue', label='Real Data')

# 绘制线性回归模型预测曲线
plt.plot(X, linear_predictions, color='red', label='Linear Regression')

# 绘制决策树模型预测曲线
plt.plot(X, tree_predictions, color='green', label='Decision Tree')

# 添加图例
plt.legend()

# 添加标题和坐标轴标签
plt.title('House Prices Prediction')
plt.xlabel('Area')
plt.ylabel('Price')

# 显示图形
plt.show()

运行以上代码，我们可以得到一张包含线性回归模型和决策树模型预测曲线的图表。图表中的蓝色点表示真实数据，红色曲线表示线性回归模型的预测结果，绿色曲线表示决策树模型的预测结果。