### 绘制特征数量与模型精度变化曲线 在 Python 中，可以使用 `matplotlib` 和 `scikit-learn` 来绘制随着特征数量增加时模型精度的变化曲线。以下是一个完整的实现方案。 首先，需要加载数据集并逐步增加特征数量进行训练。通过计算每次训练后的模型精度（如均方误差或 R² 分数），将结果存储到列表中以便后续绘图[^1]。 以下是代码示例： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import r2_score from sklearn.datasets import make_regression # 生成模拟数据集 X, y = make_regression(n_samples=100, n_features=10, noise=0.1, random_state=42) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化变量 feature_counts = [] r2_scores = [] # 循环逐步增加特征数量 for num_features in range(1, X_train.shape[1] + 1): # 使用前 num_features 个特征 X_train_subset = X_train[:, :num_features] X_test_subset = X_test[:, :num_features] # 创建线性回归模型 model = LinearRegression() # 训练模型 model.fit(X_train_subset, y_train) # 预测 y_pred = model.predict(X_test_subset) # 计算 R² 分数 r2 = r2_score(y_test, y_pred) # 存储结果 feature_counts.append(num_features) r2_scores.append(r2) # 绘制特征数量与 R² 分数的关系图 plt.figure(figsize=(8, 6)) plt.plot(feature_counts, r2_scores, marker='o', color=dlblue) plt.title("Feature Count vs Model Accuracy (R² Score)", fontsize=14) plt.xlabel("Number of Features", fontsize=12) plt.ylabel("R² Score", fontsize=12) plt.grid(True) plt.show() ``` 上述代码中，通过逐步增加特征数量，并使用线性回归模型进行训练和预测，最终得到模型精度（以 R² 分数为例）随特征数量变化的趋势图[^2]。 ### 注意事项 1. 数据集的特征数量应足够多，以便观察特征数量对模型精度的影响。 2. 如果使用其他模型精度指标（如均方误差 MSE），需相应调整代码中的计算部分。 ---