期刊配图：小样本回归模型误差与残差性能评估可视化分析 - 文章 - 开发者社区

picture.image

✨ 欢迎关注Python机器学习AI ✨

本节介绍：小样本回归模型误差与残差性能评估可视化分析。数据采用模拟数据，作者根据个人对机器学习的理解进行代码实现与图表输出，细节并不保证与原文一定相同，仅供参考。完整数据和代码、文献将在稍后上传至交流群，付费成员可在交流群中获取下载。需要的朋友可关注公众文末提供的购买方式。购买前请咨询，避免不必要的问题。

✨ 文献信息 ✨

picture.image

这个可视化图展示了四种不同模型（CNN、AM-CNN、CNN-LSTM、AM-CNN-LSTM）估算的作物产量与实际记录的作物产量的比较。每个子图通过颜色映射表示预测误差，其中颜色从蓝色（低误差）到红色（高误差）渐变，反映了预测误差的大小。色条上显示的误差范围最大可达到1400 kg/ha，提供了每种模型在不同产量预测下的误差分布情况，文献原文获取公众号后台发送0523~

这种通过颜色映射反映预测误差的大小方法非常适合小样本数据，因为点较为分散，误差可以清晰地通过颜色变化呈现；但在样本量增大时，散点可能重叠，这时更适合通过颜色映射反映点的核密度，展示数据点的分布密度可以参考往期文章——期刊配图：不同机器学习方法在目标域测试集上的散点核密度图

本文将通过误差和残差两个方面，复现回归模型的性能可视化。通过计算误差（预测值与真实值的绝对差异）和残差（预测值与真实值的差异），可以深入分析回归模型的预测能力，并通过颜色映射展现模型性能

✨ 基础代码 ✨

  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
plt.rcParams['font.family'] = 'Times New Roman'  
plt.rcParams['axes.unicode_minus'] = False  
import warnings  
# 忽略所有警告  
warnings.filterwarnings("ignore")  
  
path = r"seattle_sample_all.xlsx"  
df = pd.read_excel(path, index_col=0)  
from sklearn.model_selection import train_test_split  
# 划分特征和目标变量  
X = df.drop(['log_price', 'UTM_X', 'UTM_Y'], axis=1)    
y = df['log_price']    
  
# 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X,  y,  test_size=0.3,  random_state=42)  
from sklearn.metrics import mean_squared_error, r2_score  
from xgboost import XGBRegressor  
  
# 初始化XGBoost回归模型  
model = XGBRegressor(n_estimators=500,   # 设置迭代次数  
                     max_depth=6,       # 树的深度  
                     learning_rate=0.1, # 学习率  
                     objective='reg:squarederror', # 使用平方误差损失函数  
                     verbose=0           # 控制是否显示训练过程  
                    )  
  
# 训练模型  
model.fit(X_train, y_train)  
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score  
# 用训练好的模型预测测试集  
y_pred_test = model.predict(X_test)  
# 计算RMSE (Root Mean Squared Error) 对测试集  
rmse_test = mean_squared_error(y_test, y_pred_test, squared=False)  
# 计算MAE (Mean Absolute Error) 对测试集  
mae_test = mean_absolute_error(y_test, y_pred_test)  
# 计算R² (R-squared) 对测试集  
r2_test = r2_score(y_test, y_pred_test)  
fig, ax = plt.subplots(figsize=(8, 6), dpi=1200)  # 创建一个8x6大小的画布  
ax.scatter(y_test, y_pred_test, s=30)  # 只绘制散点，不使用颜色映射  
plot_min = min(y_test.min(), y_pred_test.min()) * 0.95  # 设置X轴最小值  
plot_max = max(y_test.max(), y_pred_test.max()) * 1.05  # 设置X轴最大值  
ax.set_xlim([plot_min, plot_max])  # 设置X轴范围  
ax.set_ylim([plot_min, plot_max])  # 设置Y轴范围  
ax.plot([plot_min, plot_max], [plot_min, plot_max], 'k--', linewidth=1, label='y = x line')  # 绘制y=x的虚线  
ax.set_xlabel('True Value', fontsize=15)  # 设置X轴标签  
ax.set_ylabel('Predicted Value', fontsize=15)  # 设置Y轴标签  
ax.grid(True, linestyle='--', linewidth=0.8, color='#DCDCDC')  # 设置网格线样式  
ax.legend(loc='upper left', fontsize=15, frameon=False)  # 设置图例，隐藏图例框  
plt.savefig("scatter.pdf", format='pdf', bbox_inches='tight', dpi=1200)  
plt.show()

picture.image

使用XGBoost回归模型对数据集进行训练，并在测试集上进行预测，这是一个最基础的可视化形式，通过绘制真实值与预测值的散点图来展示回归模型的预测效果。该图通过将真实值和预测值在同一坐标系中展示，帮助直观评估模型的拟合情况，特别是通过添加参考线（y=x）来比较预测值与真实值的差距，适用于回归模型性能的初步可视化分析，接下来和文献一样的可视化形式

picture.image

这个可视化与之前的基础散点图相比，增加了颜色映射，表示真实值和预测值之间的绝对误差，并通过回归线（蓝色实线）、95%预测带（蓝色虚线）以及评估指标（RMSE、MAE和R²）提供了模型拟合情况、误差分布和预测可信度的直观展示，和文献一致

picture.image

在这个可视化中，颜色映射已经从表示真实值和预测值之间的绝对误差，修改为表示残差。残差是预测值与真实值之间的差异，且残差接近于0时表示模型的预测值与真实值越接近。通过颜色从蓝色（负残差）到红色（正残差）展示了残差的分布，从而帮助识别模型在不同预测区间的误差特征。残差越接近0，说明模型在该点的预测越准确

✨ 该文章案例 ✨

picture.image

在上传至交流群的文件中，像往期文章一样，将对案例进行逐步分析，确保读者能够达到最佳的学习效果。内容都经过详细解读，帮助读者深入理解模型的实现过程和数据分析步骤，从而最大化学习成果。

同时，结合提供的免费AI聚合网站进行学习，能够让读者在理论与实践之间实现融会贯通，更加全面地掌握核心概念。

✨ 购买介绍 ✨

本节介绍到此结束，有需要学习数据分析和Python机器学习相关的朋友欢迎到淘宝店铺：Python机器学习AI，或添加作者微信deep_ML联系，购买作者的公众号合集。截至目前为止，合集已包含近300多篇文章，购买合集的同时，还将提供免费稳定的AI大模型使用，包括但不限于ChatGPT、Deepseek、Claude等。

更新的内容包含数据、代码、注释和参考资料。作者仅分享案例项目，不提供额外的答疑服务。项目中将提供详细的代码注释和丰富的解读，帮助您理解每个步骤。购买前请咨询，避免不必要的问题。

✨ 群友反馈 ✨

picture.image