#绘制训练集真实值和预测值图像 plt.plot(train.index, train.values, label='Train') plt.plot(train.index, model_fit.predict(start=train.index[0], end=train.index[-1]), label='Predicted') plt.xlabel('Time/h') plt.ylabel('kwh') plt.title('Training Set') plt.legend() plt.show() #绘制测试集真实值和预测值图像 plt.plot(test.index, test.values, label='Test') plt.plot(test.index, predictions, label='Predicted') plt.xlabel('Time/h') plt.ylabel('kwh') plt.title('Testing Set') plt.legend() plt.show()将上述代码改写为将训练集和测试集分别绘制在两张图上
时间: 2023-08-14 22:03:23 浏览: 90
训练集图像代码:
```python
import matplotlib.pyplot as plt
# 绘制训练集真实值和预测值图像
plt.plot(train.index, train.values, label='Train')
plt.plot(train.index, model_fit.predict(start=train.index[0], end=train.index[-1]), label='Predicted')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('Training Set')
plt.legend()
plt.show()
```
测试集图像代码:
```python
import matplotlib.pyplot as plt
# 绘制测试集真实值和预测值图像
plt.plot(test.index, test.values, label='Test')
plt.plot(test.index, predictions, label='Predicted')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('Testing Set')
plt.legend()
plt.show()
```
相关问题
# 绘制训练集真实值和预测值 trainPredictPlot = np.empty_like(data.values) trainPredictPlot[:, :] = np.nan trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict plt.figure(figsize=(10,5)) plt.plot(data.values, label='True Data') plt.plot(trainPredictPlot, label='Predicted Data') plt.title('Training Set') plt.xlabel('Time/h') plt.ylabel('kwh') plt.legend() plt.show() # 绘制测试集真实值和预测值 testPredictPlot = np.empty_like(data.values) testPredictPlot[:, :] = np.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict plt.figure(figsize=(10,5)) plt.plot(data.values, label='True Data') plt.plot(testPredictPlot, label='Predicted Data') plt.title('Testing Set') plt.xlabel('Time/h') plt.ylabel('kwh') plt.legend() plt.show()改写这段代码,使得训练集和测试集被分别绘制在两张图上
修改后的代码如下:
```
# 绘制训练集真实值和预测值
trainPredictPlot = np.empty_like(data.values)
trainPredictPlot[:, :] = np.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
plt.figure(figsize=(10,5))
plt.plot(data.values, label='True Data')
plt.plot(trainPredictPlot, label='Predicted Data')
plt.title('Training Set')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.legend()
plt.show()
# 绘制测试集真实值和预测值
testPredictPlot = np.empty_like(data.values)
testPredictPlot[:, :] = np.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict
plt.figure(figsize=(10,5))
plt.plot(data.values, label='True Data')
plt.plot(testPredictPlot, label='Predicted Data')
plt.title('Testing Set')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.legend()
plt.show()
```
这样修改后,训练集和测试集的真实值和预测值将分别绘制在两张图上。
绘制训练集真实值和预测值 trainPredictPlot = np.empty_like(data.values) trainPredictPlot[:, :] = np.nan trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict plt.figure(figsize=(10,5)) plt.plot(data.values, label='True Data') plt.plot(trainPredictPlot, label='Predicted Data') plt.title('Training Set') plt.xlabel('Time/h') plt.ylabel('kwh') plt.legend() plt.show() # 绘制测试集真实值和预测值 testPredictPlot = np.empty_like(data.values) testPredictPlot[:, :] = np.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict plt.figure(figsize=(10,5)) plt.plot(data.values, label='True Data') plt.plot(testPredictPlot, label='Predicted Data') plt.title('Testing Set') plt.xlabel('Time/h') plt.ylabel('kwh') plt.legend() plt.show()改写这段代码,使得训练集和测试集的曲线分别绘制在两张图上
修改后的代码如下:
```
# 绘制训练集真实值和预测值
trainPredictPlot = np.empty_like(data.values)
trainPredictPlot[:, :] = np.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
plt.figure(figsize=(10,5))
plt.plot(data.values, label='True Data')
plt.plot(trainPredictPlot, label='Predicted Data')
plt.title('Training Set')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.legend()
plt.show()
# 绘制测试集真实值和预测值
testPredictPlot = np.empty_like(data.values)
testPredictPlot[:, :] = np.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict
plt.figure(figsize=(10,5))
plt.plot(data.values, label='True Data')
plt.plot(testPredictPlot, label='Predicted Data')
plt.title('Testing Set')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.legend()
plt.show()
```
这样修改后,训练集和测试集的真实值和预测值将分别绘制在两张图上。
相关推荐
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)