### 使用 Matplotlib 和 Seaborn 进行真实值与预测值对比的可视化 以下是通过 `Matplotlib` 和 `Seaborn` 实现的真实值与预测值对比的美化图表代码： #### 方法一：使用 Matplotlib 创建散点图并添加回归线 ```python import matplotlib.pyplot as plt import numpy as np from scipy.stats import linregress # 假设这是您的真实值和预测值 true_values = np.array([2.1, 3.5, 4.8, 6.2, 7.9]) predicted_values = np.array([2.0, 3.6, 4.7, 6.3, 8.0]) # 计算回归线参数 slope, intercept, r_value, p_value, std_err = linregress(true_values, predicted_values) # 绘制散点图 plt.figure(figsize=(8, 6)) plt.scatter(true_values, predicted_values, color='blue', label="Data Points") # 添加完美匹配线 (y=x) lims = [np.min([true_values, predicted_values]), np.max([true_values, predicted_values])] plt.plot(lims, lims, 'r--', linewidth=2, label="Perfect Match Line (y=x)") # 添加回归线 x_regression = np.linspace(lims[0], lims[1], 100) y_regression = slope * x_regression + intercept plt.plot(x_regression, y_regression, 'g-', linewidth=2, label=f"Regression Line (R²={r_value**2:.2f})") # 设置标题和标签 plt.title("True Values vs Predicted Values", fontsize=16) plt.xlabel("True Values", fontsize=14) plt.ylabel("Predicted Values", fontsize=14) plt.legend(fontsize=12) plt.grid(True, linestyle='--', alpha=0.6) # 显示图像 plt.tight_layout() plt.show() ``` 此代码展示了如何利用 `Matplotlib` 来比较真实值与预测值，并通过添加回归线和理想匹配线（即 \(y = x\)），使图表更具解释力。 --- #### 方法二：使用 Seaborn 提供更高层次的绘图接口 ```python import seaborn as sns import pandas as pd import matplotlib.pyplot as plt # 将数据转换为 Pandas DataFrame data = { "True": [2.1, 3.5, 4.8, 6.2, 7.9], "Predicted": [2.0, 3.6, 4.7, 6.3, 8.0] } df = pd.DataFrame(data) # 使用 Seaborn 的 regplot 函数绘制带有回归线的散点图 sns.set(style="whitegrid") # 设置背景样式 plt.figure(figsize=(8, 6)) ax = sns.regplot( data=df, x="True", y="Predicted", scatter_kws={"color": "blue"}, line_kws={"color": "green"} ) # 添加完美匹配线 lims = [ np.min([ax.get_xlim(), ax.get_ylim()]), np.max([ax.get_xlim(), ax.get_ylim()]) ] ax.plot(lims, lims, '--r', linewidth=2, label="Perfect Match Line (y=x)") # 自定义标题和标签 ax.set_title("True Values vs Predicted Values with Regression Line", fontsize=16) ax.set_xlabel("True Values", fontsize=14) ax.set_ylabel("Predicted Values", fontsize=14) ax.legend(fontsize=12) # 展示图像 plt.tight_layout() plt.show() ``` 这段代码借助 `Seaborn` 库简化了绘图过程，同时保留了高度自定义的能力。它还自动计算并显示回归线的相关系数[^2]。 --- #### 方法三：使用 Plotly 构建交互式图表 如果希望实现交互效果，则可以考虑使用 `Plotly`： ```python import plotly.express as px import pandas as pd # 数据准备 data = {"True": [2.1, 3.5, 4.8, 6.2, 7.9], "Predicted": [2.0, 3.6, 4.7, 6.3, 8.0]} df = pd.DataFrame(data) # 使用 Plotly Express 绘制散点图 fig = px.scatter(df, x="True", y="Predicted", title="True Values vs Predicted Values") # 添加完美匹配线 min_val = min(df["True"].min(), df["Predicted"].min()) max_val = max(df["True"].max(), df["Predicted"].max()) fig.add_shape(type="line", x0=min_val, y0=min_val, x1=max_val, y1=max_val, line=dict(color="red", dash="dash"), name="Perfect Match Line (y=x)") # 更新布局 fig.update_xaxes(title_text="True Values") fig.update_yaxes(title_text="Predicted Values") fig.update_traces(marker=dict(size=10), selector=dict(mode="markers")) # 显示图表 fig.show() ``` 该方法允许用户放大、缩小以及悬停查看具体数值，非常适合探索性分析场景[^3]。 --- ### 总结 上述三种方式分别适用于不同需求：当追求简洁性和控制细节时可以选择 **Matplotlib**；对于高层次抽象的需求推荐采用 **Seaborn**；而需要动态展示或分享给他人时则适合选用 **Plotly**。