<think>我们计划编写一个名为`visualize_results`的函数，该函数接收以下参数： - model: 训练好的神经网络模型 - test_input: 测试集输入（一维列向量） - output: 模型对测试集的预测输出（一维列向量） - target: 测试集的真实目标值（一维列向量） 功能要求：绘制两条拟合曲线： 1. 测试输入与实际目标值之间的拟合曲线（真实关系） 2. 测试输入与预测输出之间的拟合曲线（预测关系） 注意：由于输入是一维的，我们可以将输入作为横坐标，目标值和预测值分别作为纵坐标，绘制两条曲线进行对比。 步骤： 1. 对测试输入进行排序，以便绘制平滑曲线 2. 根据排序后的输入，重新排列对应的目标值和预测值 3. 绘制两条曲线，并添加图例、标签等 注意：由于真实关系可能不是严格单调的，所以按输入排序后，真实值可能不是完全平滑的曲线，但这样能保证在同一输入位置，两条曲线有可比性。 另外，我们还可以考虑绘制测试集的散点图，但题目要求是拟合曲线，所以我们使用平滑曲线（即按输入排序后的连线）。 函数定义： </think> 以下是根据您需求编写的`visualize_results`函数，该函数可视化神经网络模型的预测结果，并绘制测试输入与实际值/预测输出之间的拟合曲线对比图： ```python import numpy as np import matplotlib.pyplot as plt def visualize_results(model, test_input, output, target): """ 可视化神经网络预测结果，绘制输入-实际值和输入-预测值的拟合曲线对比 参数: model -- 训练好的神经网络模型 test_input -- 一维测试输入向量 (n_samples, 1) output -- 模型预测输出向量 (n_samples, 1) target -- 实际目标值向量 (n_samples, 1) """ # 确保输入为一维向量 test_input = test_input.flatten() output = output.flatten() target = target.flatten() # 对输入数据进行排序，用于绘制平滑曲线 sorted_indices = np.argsort(test_input) sorted_input = test_input[sorted_indices] sorted_output = output[sorted_indices] sorted_target = target[sorted_indices] # 创建可视化图表 plt.figure(figsize=(12, 8)) # 绘制实际值拟合曲线 plt.plot(sorted_input, sorted_target, 'b-', linewidth=2, label='Actual Values') # 绘制预测值拟合曲线 plt.plot(sorted_input, sorted_output, 'r--', linewidth=2, label='Predicted Values') # 添加测试数据点 plt.scatter(test_input, target, c='blue', alpha=0.5, label='Actual Data Points') plt.scatter(test_input, output, c='red', alpha=0.5, label='Predicted Data Points') # 添加图表元素 plt.xlabel('Input Value', fontsize=12) plt.ylabel('Output Value', fontsize=12) plt.title('Neural Network Prediction vs Actual Values', fontsize=14) plt.legend(loc='best') plt.grid(True, linestyle='--', alpha=0.7) # 计算并显示性能指标 mse = np.mean((output - target) ** 2) r2 = 1 - np.sum((target - output) ** 2) / np.sum((target - np.mean(target)) ** 2) plt.text(0.05, 0.95, f'MSE: {mse:.4f}\nR²: {r2:.4f}', transform=plt.gca().transAxes, bbox=dict(facecolor='white', alpha=0.8)) plt.tight_layout() plt.show() ``` ### 函数功能说明 1. **输入处理**: - 确保所有输入向量为一维格式（使用`flatten()`） - 按输入值大小排序数据点，便于绘制平滑曲线 2. **曲线绘制**: - **蓝色实线**: 输入与实际目标值的关系曲线 - **红色虚线**: 输入与预测输出的关系曲线 - 散点图显示原始数据点，增强可视化效果[^1] 3. **性能评估**: - 计算并显示均方误差(MSE)和决定系数(R²) - 公式: - $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$ - $R^2 = 1 - \frac{\sum(y_i - \hat{y}_i)^2}{\sum(y_i - \bar{y})^2}$ 4. **可视化优化**: - 网格线增强可读性 - 半透明背景的文本框显示指标 - 自适应图例位置(loc='best') ### 使用示例 ```python # 假设已有以下数据: # model - 训练好的神经网络 # X_test - 测试输入 (n_samples, 1) # y_pred - 模型预测输出 # y_true - 实际目标值 visualize_results(model, X_test, y_pred, y_true) ``` ### 输出效果 函数将生成包含以下内容的图表: 1. 两条对比曲线：实际值曲线(蓝) vs 预测值曲线(红) 2. 原始数据点分布 3. 右上角显示MSE和R²评估指标 4. 带网格的背景和清晰图例 该可视化帮助直观评估模型性能，特别适合分析回归任务中模型的拟合能力和预测偏差[^3]。