### 如何在Python中绘制多分类模型的损失曲线 为了展示一个多分类模型训练过程中的损失变化情况，通常会记录每次迭代后的损失值并将其绘制成图。下面是一个基于Keras框架的例子来说明这一过程。 假设已经完成了一个多分类神经网络模型`model`的构建与编译工作，并且该模型已经在数据集上进行了拟合操作，在此期间通过设置参数`history=model.fit(...)`保存了训练历史信息到变量`history`中[^1]。 ```python import matplotlib.pyplot as plt from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 假设这里定义好了输入维度input_dim以及类别数量num_classes # 构建简单的全连接层模型作为例子 model = Sequential([ Dense(32, activation='relu', input_shape=(input_dim,)), Dense(num_classes, activation='softmax') ]) # 编译模型... # 记得指定loss函数为适合多类别的'categorical_crossentropy' model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 开始训练并将返回的对象存储起来以便后续分析 history = model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, validation_data=(X_val, y_val)) ``` 接着就可以利用上述得到的历史对象`history`内的属性`.history['loss']`和`.history['val_loss']`分别代表每轮次结束时计算得出的训练集上的平均损失值和验证集上的平均损失值。现在只需要简单地调用Matplotlib库就能画出想要的效果图表： ```python plt.figure(figsize=(8, 6)) # 绘制训练集上的损失随epoch的变化趋势 plt.plot(history.history['loss'], label='Training Loss') # 如果有提供验证集，则也一并绘制其对应的损失走势 if 'val_loss' in history.history: plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Model Training & Validation Loss over Epochs') plt.xlabel('Epoch') plt.ylabel('Loss Value') plt.legend() plt.show() ``` 这段代码将会创建一幅折线图，其中横坐标表示的是训练过程中经历过的周期数（即epoch），而纵坐标则对应着各个阶段所获得的不同类型的损失数值大小；两条不同的线条用来区分来自不同集合（比如训练集vs测试/验证集）之间的差异表现。