plt.scatter（np.array（y_test[1]）， y_forcast） plt.xlabel（“真实值”） plt.ylabel（“预测值”） plt.title（“真实值与预测值之间的关系”）加上绘制np.array（y_test[1]=y_focast的直线

plt.scatter(np.array(y_test[1]), y_forcast)
plt.xlabel("真实值")
plt.ylabel("预测值")
plt.title("真实值与预测值之间的关系")
plt.plot(np.array(y_test[1]), y_forcast, color='red')
plt.show()

相关问题

plt.scatter(np.array(y_test[1]), y_forcast) plt.xlabel("真实值") plt.ylabel("预测值") plt.title("真实值与预测值之间的关系") plt.show()在这段代码上加上绘制y_test=y_prey的直线

可以使用Matplotlib中的plot函数来绘制直线。具体代码如下：

plt.scatter(np.array(y_test[1]), y_forcast)
plt.xlabel("真实值")
plt.ylabel("预测值")
plt.title("真实值与预测值之间的关系")

# 绘制直线
plt.plot([min(y_test[1]), max(y_test[1])], [min(y_test[1]), max(y_test[1])], 'r--')

plt.show()

其中，plot函数的第一个参数是x轴上的数据，第二个参数是y轴上的数据，'r--'表示使用红色虚线绘制。

这段代码会在散点图上绘制一条从左下角到右上角的直线，表示真实值与预测值相等的情况。

KNN=KNearestNeighbor() KNN.train(X_train, y_train) y_pred = KNN.predict(X_test, k=6) accuracy = np.mean(y_pred == y_test) print('测试集预测准确率：%f' % accuracy) plt.scatter(X_setosa_train[:, 0], X_setosa_train[:, 2], color='red', marker='o', label='setosa_train') plt.scatter(X_versicolor_train[:, 0], X_versicolor_train[:, 2], color='blue', marker='^', label='versicolor_train') plt.scatter(X_virginica_train[:, 0], X_virginica_train[:, 2], color='green', marker='s', label='virginica_train') plt.scatter(X_setosa_test[:, 0], X_setosa_test[:, 2], color='y', marker='o', label='setosa_test') plt.scatter(X_versicolor_test[:, 0], X_versicolor_test[:, 2], color='y', marker='^', label='versicolor_test') plt.scatter(X_virginica_test[:, 0], X_virginica_test[:, 2], color='y', marker='s', label='virginica_test') plt.xlabel('sepal length') plt.ylabel('petal length') plt.legend(loc = 4) plt.show()注释每一行代码

以下是对每一行代码的注释：

# 初始化 KNN 模型
KNN = KNearestNeighbor() 

# 使用训练集数据进行模型训练
KNN.train(X_train, y_train) 

# 使用测试集数据进行预测，并指定 k=6
y_pred = KNN.predict(X_test, k=6) 

# 计算模型的准确率
accuracy = np.mean(y_pred == y_test) 

# 绘制散点图，展示不同种类的花的数据分布
plt.scatter(X_setosa_train[:, 0], X_setosa_train[:, 2], color='red', marker='o', label='setosa_train') 
plt.scatter(X_versicolor_train[:, 0], X_versicolor_train[:, 2], color='blue', marker='^', label='versicolor_train') 
plt.scatter(X_virginica_train[:, 0], X_virginica_train[:, 2], color='green', marker='s', label='virginica_train') 
plt.scatter(X_setosa_test[:, 0], X_setosa_test[:, 2], color='y', marker='o', label='setosa_test') 
plt.scatter(X_versicolor_test[:, 0], X_versicolor_test[:, 2], color='y', marker='^', label='versicolor_test') 
plt.scatter(X_virginica_test[:, 0], X_virginica_test[:, 2], color='y', marker='s', label='virginica_test') 

# 设置 x 轴和 y 轴的标签
plt.xlabel('sepal length') 
plt.ylabel('petal length') 

# 显示图例，并设置其位置
plt.legend(loc = 4) 

# 显示图形
plt.show()