🤵‍♂️ 个人主页: @AI_magician
📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。
👨‍💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱‍🏍
🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

【深度学习 | 核心概念】那些深度学习路上必经的核心概念，确定不来看看？ （一） 作者： 计算机魔术师 版本： 1.0 （ 2023.8.27 ）

---

摘要： 本系列旨在普及那些深度学习路上必经的核心概念，文章内容都是博主用心学习收集所写，欢迎大家三联支持！本系列会一直更新，核心概念系列会一直更新！欢迎大家订阅

该文章收录专栏
[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨]

@toc

回归可视化方案

在评估回归模型效果时，可以使用多种可视化方案来直观地比较实际值和预测值之间的差异。以下是几种常见的回归模型评估可视化方案和相应的Python代码模板：

1. 对角线图：对角线图用于比较实际值和预测值之间的差异。通过将实际值和预测值绘制在同一个图表上，并绘制一条对角线（理想情况下实际值等于预测值），可以直观地观察到预测值偏离对角线的程度。代码模板如下：

import matplotlib.pyplot as plt

# 绘制对角线图
plt.scatter(y_actual, y_predicted)
plt.plot([y_actual.min(), y_actual.max()], [y_actual.min(), y_actual.max()], 'r--')
plt.xlabel('Actual Values')
plt.ylabel('Predicted Values')
plt.title('Diagonal Plot - Actual vs. Predicted')
plt.show()

2. 残差图：残差图用于检查回归模型的拟合情况。它将实际值和预测值之间的差异（即残差）绘制在y轴上，将实际值绘制在x轴上。通过观察残差图的分布，可以检查模型是 存在系统性的误差或模型是否满足对误差的假设。代码模板如下：

import matplotlib.pyplot as plt

# 计算残差
residuals = y_actual - y_predicted

# 绘制残差图
plt.scatter(y_actual, residuals)
plt.axhline(y=0, color='r', linestyle='--')
plt.xlabel('Actual Values')
plt.ylabel('Residuals')
plt.title('Residual Plot')
plt.show()

3. 拟合曲线图：可以绘制拟合曲线来可视化模型的拟合效果（只适合单变量）。代码模板如下：

import numpy as np
import matplotlib.pyplot as plt

# 生成一系列x值
x = np.linspace(min(x_actual), max(x_actual), 100)

# 预测对应的y值
y_predicted = model.predict(x)

# 绘制拟合曲线图
plt.scatter(x_actual, y_actual, label='Actual')
plt.plot(x, y_predicted, color='r', label='Predicted')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Fitted Curve')
plt.legend()
plt.show()

这些可视化方案提供了不同的角度和方法来评估回归模型的效果。根据数据和模型的特点，可以选择适合的可视化方案或结合多种方案来全面评估模型的性能。

						  🤞到这里，如果还有什么疑问🤞
					🎩欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！🎩
					 	 🥳如果对你有帮助，你的赞是对博主最大的支持！！🥳