### Python 分类模型中的可视化图形类型 在Python中，分类模型的可视化可以通过多种方式实现。以下是几种常见的用于展示分类模型及其性能的图形： #### 1. 散点图 (Scatter Plot) 散点图是一种常用的二维图表形式，能够直观地显示两个变量之间的关系。对于分类模型而言，它可以用来表示不同类别数据点的分布情况[^2]。 ```python import pandas as pd pd.plotting.scatter_matrix(df, diagonal='kde') ``` 上述代码展示了如何利用`pandas`库生成带有核密度估计图的散点矩阵图。 #### 2. 决策边界图 (Decision Boundary Plot) 决策边界图可以帮助理解分类器是如何划分输入空间的。这种图通常适用于低维数据集（如二维），以便于观察分类边界的形状和复杂度[^4]。 ```python from matplotlib.colors import ListedColormap import numpy as np def plot_decision_boundary(X, y, classifier, resolution=0.02): markers = ('s', 'x', 'o', '^', 'v') colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan') cmap = ListedColormap(colors[:len(np.unique(y))]) x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1 x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution)) Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T) Z = Z.reshape(xx1.shape) plt.contourf(xx1, xx2, Z, alpha=0.3, cmap=cmap) plt.xlim(xx1.min(), xx1.max()) plt.ylim(xx2.min(), xx2.max()) for idx, cl in enumerate(np.unique(y)): plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1], alpha=0.8, c=colors[idx], marker=markers[idx], label=cl, edgecolor='black') plot_decision_boundary(X_train, y_train, knn_classifier) plt.legend(loc='upper left') plt.show() ``` 这段代码定义了一个函数来绘制K近邻算法(KNN)或其他分类器的决策边界。 #### 3. 混淆矩阵图 (Confusion Matrix Plot) 混淆矩阵是一个重要的工具，它提供了关于实际值与预测值之间匹配程度的信息。通过热力图的形式呈现出来更加清晰易懂[^1]。 ```python from sklearn.metrics import confusion_matrix import seaborn as sns cm = confusion_matrix(true_labels, predicted_labels) sns.heatmap(cm, annot=True, fmt="d", cmap="Blues") plt.xlabel('Predicted Label') plt.ylabel('True Label') plt.title('Confusion Matrix') plt.show() ``` 此部分代码片段说明了怎样借助Seaborn库创建美观的混淆矩阵热力图。 #### 4. ROC曲线 (Receiver Operating Characteristic Curve) ROC曲线衡量的是真阳性率(TPR)相对于假阳性率(FPR)的变化趋势，在评估二元分类器表现方面非常有用[^3]。 ```python from sklearn.metrics import roc_curve, auc fpr, tpr, thresholds = roc_curve(y_test, probas_[:, 1]) roc_auc = auc(fpr, tpr) plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ``` 这里给出了计算并作图的方法示例。 ---