### 使用Python绘制模型损失和准确率曲线 在机器学习项目中，监控模型训练过程中的性能指标对于理解模型行为至关重要。`matplotlib.pyplot` 是 Python 中广泛使用的绘图库之一，可用于创建各种类型的图表，包括用于展示模型训练过程中损失值(loss) 和 准确率(acc) 的变化趋势。 #### 导入必要的库 为了实现这一功能，首先需要导入一些基本的库： ```python import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import Dense ``` #### 数据准备与预处理 假设已经完成了数据加载以及初步清理工作，并且已经有了划分好的训练集 `X_train`, `y_train` 及验证集 `X_val`, `y_val` 。如果尚未完成这一步骤，则应先参照相关资料执行适当的数据分割操作[^1]。 #### 构建并编译模型 定义一个简单的神经网络结构来进行演示目的: ```python model = Sequential() model.add(Dense(32, activation='relu', input_dim=X_train.shape[1])) model.add(Dense(16, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` #### 训练模型并记录历史日志 当调用 `.fit()` 方法时传递参数 `validation_data=(X_val, y_val)` 来指定验证集，在每次epoch结束之后都会计算一次验证集上的loss和acc；同时设置 `history=model.fit(...)` ，以便保存整个训练期间的各项统计信息。 ```python history = model.fit( X_train, y_train, epochs=50, batch_size=32, validation_data=(X_val, y_val), verbose=1 ) ``` #### 绘制Loss和Accuracy曲线 最后，利用之前收集的历史日志来制作折线图表示随时间推移的变化情况： ```python # 获取训练和验证期间的损失值 train_loss = history.history['loss'] val_loss = history.history['val_loss'] # 获取训练和验证期间的准确性得分 train_acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] epochs_range = range(len(train_loss)) plt.figure(figsize=(12, 8)) plt.subplot(1, 2, 1) # 绘制 Loss 曲线 plt.plot(epochs_range, train_loss, label="Training Loss") plt.plot(epochs_range, val_loss, label="Validation Loss") plt.legend(loc="upper right") plt.title('Model Training & Validation Loss') plt.subplot(1, 2, 2) # 绘制 Accuracy 曲线 plt.plot(epochs_range, train_acc, label="Training Accuracy") plt.plot(epochs_range, val_acc, label="Validation Accuracy") plt.legend(loc="lower right") plt.title('Model Training & Validation Accuracy') plt.show() ``` 上述代码片段展示了如何使用 Keras 库配合 Matplotlib 创建两个子图分别显示训练/验证阶段下的损失函数值变动轨迹及分类精度的发展态势[^2]。