Seaborn

本文集文档发布于灏天文库

7.5 Seaborn与其他Python库的集成

文档摘要

7.5 Seaborn与其他Python库的集成 Seaborn 与其他 Python 库的集成：释放数据可视化的高级潜力 Seaborn，作为构建于 Matplotlib 之上的 Python 数据可视化库，以其美观的默认样式和高级统计图形功能而备受数据科学家和分析师的青睐。然而，Seaborn 的强大之处不仅在于其独立的功能，更在于它能够与其他 Python 生态系统中的库无缝集成，共同构建强大的数据分析和可视化工作流。本章我们将深入探讨 Seaborn 如何与 Pandas、NumPy、Matplotlib、Statsmodels 和 Scikit-learn 等关键库协同工作，从而拓展其应用领域，实现更高级、更定制化的数据可视化。 7.5.

7.5 Seaborn与其他Python库的集成

Seaborn 与其他 Python 库的集成：释放数据可视化的高级潜力

Seaborn，作为构建于 Matplotlib 之上的 Python 数据可视化库，以其美观的默认样式和高级统计图形功能而备受数据科学家和分析师的青睐。然而，Seaborn 的强大之处不仅在于其独立的功能，更在于它能够与其他 Python 生态系统中的库无缝集成，共同构建强大的数据分析和可视化工作流。本章我们将深入探讨 Seaborn 如何与 Pandas、NumPy、Matplotlib、Statsmodels 和 Scikit-learn 等关键库协同工作，从而拓展其应用领域，实现更高级、更定制化的数据可视化。

7.5.1 Seaborn 与 Pandas 的集成：数据处理与可视化的桥梁

Pandas 是 Python 数据分析的核心库，提供了高效的数据结构 DataFrame 和 Series，以及强大的数据处理和清洗功能。Seaborn 与 Pandas 的集成是天然且至关重要的，因为 Seaborn 的大多数绘图函数都直接接受 Pandas DataFrame 作为输入数据。

内容详解:

Seaborn 的设计理念之一就是“DataFrame-aware”，这意味着它可以直接理解和利用 Pandas DataFrame 的结构化数据。当我们使用 Seaborn 绘图函数时，例如 sns.scatterplot()、sns.histplot()、sns.boxplot() 等，可以直接将 DataFrame 的列名作为参数 x、y、hue 等的值，Seaborn 会自动从 DataFrame 中提取对应的数据进行绘图。

这种集成极大地简化了数据可视化流程。我们首先可以使用 Pandas 进行数据加载、清洗、转换和聚合等预处理操作，然后直接将处理后的 DataFrame 传递给 Seaborn 进行可视化，无需额外的中间步骤。这不仅提高了效率，也使得代码更加简洁易懂。

代码实践:

示例 1：使用 Pandas DataFrame 创建散点图

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个 Pandas DataFrame
data = {'X': [1, 2, 3, 4, 5],
        'Y': [2, 4, 1, 3, 5],
        'Category': ['A', 'B', 'A', 'B', 'A']}
df = pd.DataFrame(data)
# 使用 Seaborn 绘制散点图，直接使用 DataFrame 列名
sns.scatterplot(x='X', y='Y', hue='Category', data=df)
plt.title('Seaborn Scatter Plot with Pandas DataFrame')
plt.show()
​

代码详解:

  1. 我们首先导入了必要的库：seaborn、pandas 和 matplotlib.pyplot。

  2. 创建了一个简单的 Pandas DataFrame df，包含三列：'X', 'Y' 和 'Category'。

  3. 使用 sns.scatterplot() 函数绘制散点图。

    • x='X', y='Y' 和 hue='Category' 直接指定了 DataFrame df 的列名作为绘图的数据来源。

    • data=df 参数显式地告诉 Seaborn 使用哪个 DataFrame。

  4. plt.title() 和 plt.show() 用于添加标题和显示图形（这是 Matplotlib 的用法，Seaborn 构建于其上）。

示例 2：结合 Pandas 数据处理和 Seaborn 箱线图

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
# 加载内置数据集 'tips'
tips = sns.load_dataset('tips')
# 使用 Pandas 进行数据分组和统计
average_bill_per_day = tips.groupby('day')['total_bill'].mean().reset_index()
# 使用 Seaborn 绘制箱线图，展示每天的小费分布
plt.figure(figsize=(8, 6)) # 设置图形大小
sns.boxplot(x='day', y='tip', data=tips)
plt.title('Tip Distribution per Day (Boxplot)')
plt.xlabel('Day of the Week')
plt.ylabel('Tip Amount')
plt.show()
# 使用 Seaborn 绘制柱状图，展示每天的平均账单 (基于 Pandas 处理后的数据)
plt.figure(figsize=(8, 6))
sns.barplot(x='day', y='total_bill', data=average_bill_per_day) # 注意这里 data 参数是处理后的 DataFrame
plt.title('Average Total Bill per Day (Barplot)')
plt.xlabel('Day of the Week')
plt.ylabel('Average Total Bill')
plt.show()
​

代码详解:

  1. 我们加载了 Seaborn 内置的 'tips' 数据集，这是一个 Pandas DataFrame。

  2. 数据处理 (Pandas): 使用 tips.groupby('day')['total_bill'].mean().reset_index() 对 'tips' DataFrame 按照 'day' 列进行分组，计算每天的 'total_bill' 的平均值，并将结果重置索引，得到一个新的 DataFrame average_bill_per_day。

  3. 箱线图 (Seaborn): 使用 sns.boxplot() 绘制箱线图，展示每天 'tip' 列的数据分布情况。

  4. 柱状图 (Seaborn, 基于 Pandas 处理结果): 使用 sns.barplot() 绘制柱状图，展示 average_bill_per_day DataFrame 中每天的平均 'total_bill'。这里 data=average_bill_per_day 参数表明我们使用了 Pandas 处理后的数据进行可视化。

Mermaid 图表:

图表解释:

该 Mermaid 图表简洁地展示了 Seaborn 与 Pandas 集成的核心流程：

  1. A (Pandas DataFrame - Raw Data): 数据通常以 Pandas DataFrame 的形式开始，可能是从 CSV 文件、数据库或其他数据源加载的原始数据。

  2. B (Data Processing & Cleaning in Pandas): 使用 Pandas 强大的数据处理功能，对原始数据进行清洗、转换、聚合等操作，例如处理缺失值、过滤数据、计算统计指标等。

  3. C (Pandas DataFrame - Processed Data): 经过 Pandas 处理后的数据仍然以 DataFrame 的形式存在，但已经更适合进行可视化分析。

  4. D (Seaborn Plotting Functions): Seaborn 的各种绘图函数直接接受处理后的 Pandas DataFrame 作为输入。

  5. E (Visualization Output): Seaborn 根据 DataFrame 中的数据和指定的参数，生成各种类型的可视化图形，例如散点图、箱线图、直方图等。

7.5.2 Seaborn 与 NumPy 的集成：底层数值计算的支撑

NumPy 是 Python 科学计算的基础库，提供了高性能的多维数组对象（ndarray）以及丰富的数学函数库。虽然 Seaborn 主要与 Pandas DataFrame 交互，但 NumPy 在 Seaborn 的底层运行中扮演着重要的角色。

内容详解:

Seaborn 内部的很多计算，例如统计估计、数据转换等，都依赖于 NumPy 的高效数值运算能力。当 Seaborn 接收 Pandas DataFrame 数据时，DataFrame 的底层数据实际上也是 NumPy 数组。Seaborn 利用 NumPy 数组的快速运算能力来完成数据处理和绘图计算。

虽然我们通常不会直接在 Seaborn 代码中显式地使用 NumPy，但理解 Seaborn 对 NumPy 的依赖关系有助于我们更好地理解其性能和工作原理。此外，在一些高级应用场景中，例如自定义绘图逻辑或进行性能优化时，直接使用 NumPy 数组可能会更加高效。

代码实践:

示例 3：使用 NumPy 数组创建 Seaborn 分布图

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
# 使用 NumPy 生成随机数据
np.random.seed(0) # 设置随机种子以保证结果可复现
data_numpy = np.random.randn(100)
# 使用 Seaborn 绘制直方图，直接使用 NumPy 数组
sns.histplot(data_numpy)
plt.title('Seaborn Histogram with NumPy Array')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()
# 使用 Seaborn 绘制核密度估计图，直接使用 NumPy 数组
sns.kdeplot(data_numpy)
plt.title('Seaborn KDE Plot with NumPy Array')
plt.xlabel('Value')
plt.ylabel('Density')
plt.show()
​

代码详解:

  1. 我们导入了 seaborn、numpy 和 matplotlib.pyplot。

  2. 使用 np.random.randn(100) 生成了 100 个服从标准正态分布的随机数，存储在 NumPy 数组 data_numpy 中。

  3. 直方图 (Seaborn): sns.histplot(data_numpy) 直接使用 NumPy 数组 data_numpy 作为输入数据绘制直方图。

  4. 核密度估计图 (Seaborn): sns.kdeplot(data_numpy) 同样直接使用 NumPy 数组绘制核密度估计图。

示例 4：结合 NumPy 进行数据预处理后使用 Seaborn 绘制热图

import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个示例 DataFrame
data = {'A': [1, 2, 3, 4, 5],
        'B': [2, 4, 1, 3, 5],
        'C': [3, 1, 4, 2, 5]}
df = pd.DataFrame(data)
# 使用 NumPy 计算 DataFrame 的相关系数矩阵
correlation_matrix_numpy = np.corrcoef(df.values.T) # .values 获取 NumPy 数组，.T 转置
# 将 NumPy 数组转换为 DataFrame，方便 Seaborn 使用 (可选，Seaborn 热图可以直接接受 NumPy 数组)
correlation_df = pd.DataFrame(correlation_matrix_numpy, index=df.columns, columns=df.columns)
# 使用 Seaborn 绘制热图，展示相关系数矩阵 (可以直接使用 NumPy 数组或 DataFrame)
plt.figure(figsize=(8, 6))
sns.heatmap(correlation_df, annot=True, cmap='coolwarm') # 使用 DataFrame
# sns.heatmap(correlation_matrix_numpy, annot=True, cmap='coolwarm', xticklabels=df.columns, yticklabels=df.columns) # 直接使用 NumPy 数组
plt.title('Correlation Heatmap using NumPy and Seaborn')
plt.show()
​

代码详解:

  1. 我们创建了一个示例 Pandas DataFrame df。

  2. 相关系数计算 (NumPy): 使用 np.corrcoef(df.values.T) 计算 DataFrame df 的列之间的相关系数矩阵。

    • df.values 将 DataFrame 转换为 NumPy 数组。

    • .T 对数组进行转置，使得 np.corrcoef() 计算列与列之间的相关性。

  3. 转换为 DataFrame (可选): 将 NumPy 相关系数矩阵 correlation_matrix_numpy 转换回 Pandas DataFrame correlation_df，以便更方便地设置行和列标签。但实际上 sns.heatmap() 函数可以直接接受 NumPy 数组作为输入。

  4. 热图 (Seaborn): 使用 sns.heatmap() 绘制热图，展示相关系数矩阵。

    • annot=True 显示数值注释。

    • cmap='coolwarm' 设置颜色映射。

Mermaid 图表:

图表解释:

该 Mermaid 图表展示了 Seaborn 与 NumPy 集成的流程，突出了 NumPy 在底层数值计算中的作用：

  1. A (Pandas DataFrame): 数据可能以 Pandas DataFrame 的形式开始。

  2. B (Convert to NumPy Array - Optional): 在某些情况下，为了更高效地进行数值计算，可能需要将 DataFrame 转换为 NumPy 数组。虽然 Seaborn 很多时候可以直接处理 DataFrame，但在底层，数据最终会被转换为 NumPy 数组进行处理。

  3. C (NumPy Array - Data for Calculation): 数据以 NumPy 数组的形式用于数值计算。

  4. D (NumPy Functions - e.g., Statistical Calculation): 使用 NumPy 提供的各种数学函数，例如统计计算、线性代数运算等，对数据进行处理。

  5. E (NumPy Array - Processed Data): 经过 NumPy 函数处理后的数据仍然是 NumPy 数组。

  6. F (Seaborn Plotting Functions): Seaborn 的绘图函数接收 NumPy 数组或 Pandas DataFrame 作为输入。

  7. G (Visualization Output): Seaborn 生成可视化图形。

7.5.3 Seaborn 与 Matplotlib 的集成：定制化和精细控制

Matplotlib 是 Python 中最基础、最广泛使用的绘图库，Seaborn 正是构建于 Matplotlib 之上。Seaborn 提供了更高级的接口和美观的默认样式，但仍然可以与 Matplotlib 无缝集成，实现更精细的定制化和底层控制。

内容详解:

Seaborn 的绘图函数实际上是 Matplotlib 的高级封装。当我们使用 Seaborn 绘图时，它在底层仍然会调用 Matplotlib 的函数来创建和渲染图形。这意味着我们可以：

  1. 在 Seaborn 图形的基础上进行 Matplotlib 定制: 在 Seaborn 生成图形后，可以使用 Matplotlib 的函数来进一步修改图形的各种属性，例如标题、标签、颜色、线条样式、图例、坐标轴范围等。

  2. 混合使用 Seaborn 和 Matplotlib 函数: 在同一个绘图代码中，可以同时使用 Seaborn 的高级绘图函数和 Matplotlib 的底层控制函数，灵活地结合两者的优点。

  3. 利用 Matplotlib 的底层功能扩展 Seaborn: 如果 Seaborn 无法直接满足某些特定的可视化需求，可以利用 Matplotlib 的底层功能进行扩展和定制，例如创建自定义的图例、添加特殊的注释、控制图形的布局等。

代码实践:

示例 5：在 Seaborn 散点图上添加 Matplotlib 定制

import seaborn as sns
import matplotlib.pyplot as plt
# 加载内置数据集 'iris'
iris = sns.load_dataset('iris')
# 使用 Seaborn 绘制散点图
sns.scatterplot(x='sepal_length', y='sepal_width', hue='species', data=iris)
# 使用 Matplotlib 函数进行定制
plt.title('Iris Sepal Length vs. Sepal Width', fontsize=16) # 修改标题字体大小
plt.xlabel('Sepal Length (cm)', color='blue') # 修改 x 轴标签颜色
plt.ylabel('Sepal Width (cm)', color='blue') # 修改 y 轴标签颜色
plt.xlim(4, 8) # 设置 x 轴范围
plt.ylim(1.5, 4.5) # 设置 y 轴范围
plt.legend(title='Species', loc='upper right') # 修改图例标题和位置
plt.grid(True, linestyle='--', alpha=0.5) # 添加网格线
plt.show()
​

代码详解:

  1. 我们使用 sns.scatterplot() 绘制了一个 Seaborn 散点图。

  2. 之后，我们使用一系列 plt (Matplotlib.pyplot) 函数来定制图形：

    • plt.title(): 修改标题，并使用 fontsize 参数调整字体大小。

    • plt.xlabel() 和 plt.ylabel(): 修改轴标签，并使用 color 参数修改颜色。

    • plt.xlim() 和 plt.ylim(): 设置坐标轴的范围。

    • plt.legend(): 修改图例的标题和位置。

    • plt.grid(): 添加网格线，并设置线条样式和透明度。

示例 6：混合使用 Seaborn 和 Matplotlib 创建子图

import seaborn as sns
import matplotlib.pyplot as plt
# 加载内置数据集 'mpg'
mpg = sns.load_dataset('mpg')
# 创建一个 Matplotlib Figure 和 Axes 对象，用于创建子图布局
fig, axes = plt.subplots(1, 2, figsize=(12, 6)) # 1 行 2 列子图
# 在第一个子图中使用 Seaborn 绘制直方图
sns.histplot(mpg['mpg'], kde=True, ax=axes[0]) # 指定 axes[0] 为绘图的 Axes 对象
axes[0].set_title('Histogram of MPG (Seaborn)', fontsize=14) # 使用 Matplotlib 设置子图标题
# 在第二个子图中使用 Seaborn 绘制箱线图
sns.boxplot(x='origin', y='mpg', data=mpg, ax=axes[1]) # 指定 axes[1]
axes[1].set_title('Boxplot of MPG by Origin (Seaborn)', fontsize=14)
# 使用 Matplotlib 调整子图布局
plt.tight_layout() # 自动调整子图间距，避免重叠
plt.show()
​

代码详解:

  1. 我们使用 plt.subplots(1, 2, figsize=(12, 6)) 创建了一个 Matplotlib Figure 对象 fig 和一个包含两个 Axes 对象 (子图) 的数组 axes。

  2. 子图 1 (直方图): 使用 sns.histplot() 绘制直方图，并通过 ax=axes[0] 参数指定将图形绘制在第一个 Axes 对象 axes[0] 上。然后使用 axes[0].set_title() 通过 Matplotlib 函数设置子图的标题。

  3. 子图 2 (箱线图): 类似地，使用 sns.boxplot() 绘制箱线图，并指定 ax=axes[1]，然后使用 axes[1].set_title() 设置标题。

  4. plt.tight_layout() 使用 Matplotlib 的自动布局调整功能，优化子图之间的间距。

Mermaid 图表:

图表解释:

该 Mermaid 图表展示了 Seaborn 与 Matplotlib 集成的定制化流程：

  1. A (Seaborn Plotting Functions): Seaborn 的绘图函数被调用，例如 sns.scatterplot(), sns.histplot() 等。

  2. B (Matplotlib Axes Object - Created by Seaborn): Seaborn 在底层会创建 Matplotlib 的 Axes 对象来承载图形。

  3. C (Visualization - Initial Seaborn Style): Seaborn 基于其默认样式和参数生成初始的可视化图形。

  4. D (Matplotlib Customization Functions): 使用 Matplotlib 的函数（例如 plt.title(), axes.set_xlabel() 等）来访问和修改 Axes 对象的属性。

  5. E (Visualization - Customized with Matplotlib): 通过 Matplotlib 函数的定制，最终的可视化图形具有更精细的控制和个性化的风格。

7.5.4 Seaborn 与 Statsmodels 的集成：统计模型结果的可视化

Statsmodels 是 Python 中用于统计建模和计量经济学分析的库，提供了丰富的统计模型和检验方法。Seaborn 可以与 Statsmodels 集成，用于可视化统计模型的拟合结果、残差分析、模型诊断等方面。

内容详解:

Seaborn 提供了一些专门用于可视化 Statsmodels 模型结果的函数，例如：

  1. sns.regplot() 和 sns.lmplot(): 可以绘制回归模型（线性回归等）的拟合线和置信区间，直观展示模型拟合效果。

  2. 残差图: 可以绘制模型的残差图，用于检验模型的假设条件（例如残差的随机性、同方差性等）。

  3. 分布图: 可以可视化模型中变量的分布情况，例如自变量、因变量、残差的分布。

通过 Seaborn 与 Statsmodels 的集成，我们可以更方便地将统计模型的结果转化为直观的图形，帮助我们理解模型、评估模型质量、并从数据中提取更深入的 insights。

代码实践:

示例 7：使用 sns.regplot() 可视化线性回归模型

import seaborn as sns
import statsmodels.api as sm
import matplotlib.pyplot as plt
# 加载内置数据集 ' Anscombe's quartet'
anscombe = sns.load_dataset('anscombe')
dataset_1 = anscombe[anscombe['dataset'] == 'I'] # 选取 dataset I 的数据
# 使用 Statsmodels 构建线性回归模型
model = sm.OLS.from_formula('y ~ x', data=dataset_1) # 使用公式语法
results = model.fit()
# 使用 Seaborn 的 regplot 绘制散点图和回归线
sns.regplot(x='x', y='y', data=dataset_1)
plt.title('Linear Regression Fit (Seaborn regplot)')
plt.show()
​

代码详解:

  1. 我们加载了 Seaborn 内置的 'anscombe' 数据集，并选取了 dataset 'I' 的数据。

  2. 构建线性回归模型 (Statsmodels): 使用 sm.OLS.from_formula('y ~ x', data=dataset_1) 使用 Statsmodels 构建了一个普通最小二乘 (OLS) 线性回归模型，公式为 y ~ x，数据来源为 dataset_1。model.fit() 进行模型拟合。

  3. 回归图 (Seaborn): sns.regplot(x='x', y='y', data=dataset_1) 使用 Seaborn 的 regplot() 函数绘制散点图，并自动添加了线性回归模型的拟合线和置信区间。

示例 8：使用 Seaborn 可视化 Statsmodels 模型的残差

import seaborn as sns
import statsmodels.api as sm
import matplotlib.pyplot as plt
import pandas as pd
# 加载内置数据集 'tips'
tips = sns.load_dataset('tips')
# 构建线性回归模型，预测小费 (tip)
model_tips = sm.OLS.from_formula('tip ~ total_bill + size + C(day)', data=tips) # 考虑 total_bill, size 和 day (分类变量)
results_tips = model_tips.fit()
# 获取模型的残差
residuals = results_tips.resid
# 使用 Seaborn 绘制残差的直方图
plt.figure(figsize=(8, 6))
sns.histplot(residuals, kde=True) # 绘制直方图和核密度估计曲线
plt.title('Histogram of Residuals (Linear Regression Model on Tips Data)')
plt.xlabel('Residuals')
plt.ylabel('Frequency')
plt.show()
# 使用 Seaborn 绘制残差的 QQ 图 (使用 Matplotlib 的 statsmodels.api.qqplot，并用 Seaborn 风格美化)
plt.figure(figsize=(8, 6))
sm.qqplot(residuals, line='45', ax=plt.gca()) # 使用 Matplotlib 的 qqplot 函数，并获取当前 Axes 对象
plt.title('QQ Plot of Residuals (Linear Regression Model on Tips Data)')
sns.despine() # 使用 Seaborn 的 despine() 函数移除 spines 美化图形
plt.show()
​

代码详解:

  1. 我们加载了 'tips' 数据集，并构建了一个线性回归模型，预测小费 (tip)，考虑了总账单 (total_bill)、人数 (size) 和星期几 (day) 等因素。

  2. 获取残差: residuals = results_tips.resid 从模型拟合结果 results_tips 中获取残差。

  3. 残差直方图 (Seaborn): sns.histplot(residuals, kde=True) 绘制残差的直方图和核密度估计曲线，用于检查残差的分布是否接近正态分布。

  4. 残差 QQ 图 (Seaborn 和 Matplotlib 混合):

    • sm.qqplot(residuals, line='45', ax=plt.gca()): 使用 statsmodels.api.qqplot() 函数绘制 QQ 图，用于更正式地检验残差是否符合正态分布。ax=plt.gca() 获取当前的 Matplotlib Axes 对象，使得 QQ 图绘制在当前的 Axes 上。

    • sns.despine(): 使用 Seaborn 的 despine() 函数移除图形的 spines (边框线)，以美化 QQ 图的风格，体现 Seaborn 和 Matplotlib 的集成。

Mermaid 图表:

图表解释:

该 Mermaid 图表展示了 Seaborn 与 Statsmodels 集成，用于可视化统计模型结果的流程：

  1. A (Data - e.g., Pandas DataFrame): 数据以 Pandas DataFrame 或 NumPy 数组的形式作为输入。

  2. B (Statsmodels Statistical Model): 使用 Statsmodels 构建统计模型，例如线性回归模型、广义线性模型等。

  3. C (Model Fitting): 使用 Statsmodels 对模型进行拟合，估计模型参数。

  4. D (Model Results Object): Statsmodels 模型拟合后会生成一个模型结果对象，包含模型参数估计、统计检验结果、残差等信息。

  5. E (Seaborn Visualization Functions): Seaborn 提供专门的函数（例如 sns.regplot(), sns.residplot(), sns.histplot() 等）用于可视化 Statsmodels 模型结果对象中的信息。

  6. F (Visualization of Model Results): Seaborn 生成统计模型结果的可视化图形，例如回归线、置信区间、残差图、分布图等，帮助用户理解和评估模型。

7.5.5 Seaborn 与 Scikit-learn 的集成：机器学习模型评估与可视化

Scikit-learn 是 Python 中最流行的机器学习库，提供了丰富的机器学习算法和模型评估工具。Seaborn 可以与 Scikit-learn 集成，用于可视化机器学习模型的性能评估指标、特征重要性、模型预测结果等。

内容详解:

Seaborn 可以用于可视化 Scikit-learn 机器学习模型的以下方面：

  1. 模型评估指标可视化: 例如，可以使用热图可视化混淆矩阵，使用曲线图可视化 ROC 曲线和精确率-召回率曲线，直观展示分类模型的性能。

  2. 特征重要性可视化: 对于一些具有特征重要性属性的机器学习模型（例如树模型、线性模型等），可以使用条形图或点图可视化特征重要性，帮助理解模型的工作原理和特征对预测结果的影响。

  3. 模型预测结果可视化: 可以可视化模型的预测结果与真实值之间的关系，例如绘制散点图、箱线图等，评估模型的预测精度和泛化能力。

发布者: 作者: 转发
评论区 (0)
U
0/500