浅谈博星卓越网站建设,谷歌企业网站seo,网站视频接口 怎么做,个人网站可以备案吗#x1f935;♂️ 个人主页: AI_magician #x1f4e1;主页地址#xff1a; 作者简介#xff1a;CSDN内容合伙人#xff0c;全栈领域优质创作者。 #x1f468;#x1f4bb;景愿#xff1a;旨在于能和更多的热爱计算机的伙伴一起成长#xff01;#xff01;… ♂️ 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
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()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(y0, colorr, linestyle--)
plt.xlabel(Actual Values)
plt.ylabel(Residuals)
plt.title(Residual Plot)
plt.show()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, labelActual)
plt.plot(x, y_predicted, colorr, labelPredicted)
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
