### 创建三维图表展示多种算法在不同数据集上的预测性能 为了满足需求，下面提供一段 Python 代码用于创建一个三维图形。此图展示了三种不同的算法在一、二、三号数据集上针对四种预测性能指标的表现情况。通过 matplotlib 库完成绘图工作，并利用 numpy 和 sklearn 对数值进行归一化处理。 ```python import numpy as np from sklearn.preprocessing import MinMaxScaler import matplotlib.pyplot as plt from mpl_toolkits.mplot3d.art3d import Poly3DCollection # 假设的数据矩阵 (Algorithm, Dataset, Metric) data = np.random.rand(3, 3, 4) # 归一化每种度量标准下的所有值至 [0,1] scaler = MinMaxScaler() normalized_data = scaler.fit_transform(data.reshape(-1, 4)).reshape((3, 3, 4)) fig = plt.figure(figsize=(8, 6)) ax = fig.add_subplot(projection='3d') colors = ['r', 'g', 'b'] # 不同颜色代表三个数据集 metrics_labels = ["Accuracy", "Precision", "Recall", "F1 Score"] algorithms_labels = ["Algorithm One", "Algorithm Two", "Algorithm Three"] for i in range(len(metrics_labels)): # 遍历四个性能指标 X, Y, Z = [], [], [] for j in range(normalized_data.shape[0]): # 算法维度 for k in range(normalized_data.shape[1]): # 数据集维度 X.append(j) Y.append(i) Z.append(normalized_data[j][k][i]) ax.scatter(X, Y, Z, c=colors[i % len(colors)], alpha=0.5, label=f'Dataset {i+1}') vertices = [[X[n], Y[n], Z[n]] for n in range(len(Z))] poly = Poly3DCollection([vertices[:9]], facecolor=colors[i % len(colors)], edgecolor='black', alpha=0.25) ax.add_collection3d(poly) ax.set_xlabel('Algorithms') ax.set_ylabel('Metrics') ax.set_zlabel('Normalized Value') plt.xticks(ticks=[0, 1, 2], labels=algorithms_labels) plt.yticks(ticks=np.arange(len(metrics_labels)), labels=metrics_labels) plt.legend(title="Datasets") plt.show() ``` 上述代码实现了如下功能： - 使用 `numpy` 构建了一个随机数数组作为示例输入； - 利用 `sklearn.preprocessing.MinMaxScaler()` 函数对各性能指标进行了线性变换，使得它们落在区间 `[0,1]` 内[^1]； - 绘制散点图并添加了半透明的颜色填充区域来区分不同数据集的结果分布状况；