fig=plt.figure(figsize=(15,8)) for i,x in enumerate(y): ax=fig.add_subplot(3,1,i+1) ax.plot(a,x) plt.show()给每个图添加不同的文字标题

可以在每个子图的标题前加上 `ax.set_title()` 方法，例如：

fig = plt.figure(figsize=(15, 8))
for i, x in enumerate(y):
    ax = fig.add_subplot(3, 1, i+1)
    ax.plot(a, x)
    ax.set_title('Plot ' + str(i+1))
plt.show()

这样就会给每个子图添加一个不同的标题，格式为 "Plot 1", "Plot 2", "Plot 3"。你可以根据需要自定义每个子图的标题。

相关问题

classified_ids = np.array(classified_ids) classified_ids = classified_ids.flatten() max_view = 20 current_view = 1 fig = plt.figure() fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.2, wspace=0.2) mis_pairs = {} for i, val in enumerate(classified_ids == t_test): if not val: ax = fig.add_subplot(4, 5, current_view, xticks=[], yticks=[]) ax.imshow(x_test[i].reshape(28, 28), cmap=plt.cm.gray_r, interpolation='nearest') mis_pairs[current_view] = (t_test[i], classified_ids[i]) current_view += 1 if current_view > max_view: break

这段代码的作用是将分类错误的样本可视化，并将其真实标签和预测标签保存到 mis_pairs 字典中。具体来说，代码首先将 classified_ids 列表转换为形状为 (x_test.shape[0],) 的一维数组，并将其展平为一维，方便后续处理。然后，定义了一个画布 fig，并调用 fig.subplots_adjust 函数设置画布边距和子图之间的间距。接着，使用 for 循环依次遍历测试集数据，并判断当前样本的预测结果是否与真实标签相同。如果当前样本被错误分类，则将其在画布上绘制出来，并将其真实标签和预测标签保存到 mis_pairs 字典中。具体来说，使用 fig.add_subplot 函数在画布上添加一个子图，并设置 xticks 和 yticks 参数为空，以去除子图的坐标轴。然后，使用 imshow 函数在子图上显示当前样本的图像，并使用 cmap=plt.cm.gray_r 参数指定颜色映射为灰度图。最后，将当前子图的编号和对应的真实标签和预测标签保存到 mis_pairs 字典中，并将 current_view 加 1。如果当前绘制的子图数量已经达到了 max_view 的限制，则跳出循环。

from matplotlib.gridspec import GridSpec from sklearn.calibration import CalibratedClassifierCV from sklearn.calibration import CalibrationDisplay fig = plt.figure(figsize=(17, 20),dpi=600) gs = GridSpec(4, 3) colors = plt.cm.get_cmap("Dark2") ax_calibration_curve = fig.add_subplot(gs[:2, :2]) calibration_displays = {} brier = score_df.iloc[:,0] #print(brier) for i, (clf, name) in enumerate(clf_list): clf.fit(X, Y) display = CalibrationDisplay.from_estimator( clf, X_test, Y_test, n_bins=5, name=name+'('+str(round(brier[i],2))+')', ax=ax_calibration_curve, color=colors(i), linewidth = 3 ) calibration_displays[name] = display ax_calibration_curve.grid() ax_calibration_curve.legend(fontsize = 18) plt.xlabel(xlabel = 'Mean predicted probablity', fontsize = 18) plt.ylabel(ylabel = 'Fraction positive', fontsize = 18) ax_calibration_curve.legend(fontsize = 14,loc='upper left') plt.tick_params(labelsize=18) plt.grid(None) ax_calibration_curve.set_title("Calibration plots", fontsize = 22) plt.savefig(r'C:\Users\rena666\Desktop\近期任务\乃吾\Acali.jpg',bbox_inches ='tight')

这段代码是用于绘制分类器的校准曲线，并将结果保存为图片。

首先，代码导入了需要使用的库和模块，包括`matplotlib.gridspec`、`sklearn.calibration.CalibratedClassifierCV`和`sklearn.calibration.CalibrationDisplay`。

然后，创建了一个`fig`对象，设置了图形的大小和分辨率。通过`GridSpec`定义了一个4x3的网格布局，并将其赋值给`gs`变量。

接下来，使用循环遍历了`clf_list`列表中的分类器，并对每个分类器进行了拟合和校准曲线的绘制。通过使用`CalibrationDisplay.from_estimator()`方法从分类器中获取校准曲线的数据，并指定了绘图所需的参数，如测试数据`X_test`和`Y_test`、分箱数量`n_bins`、图例名称等。绘制的结果保存在字典`calibration_displays`中。

最后，对绘图进行了一些设置，包括添加网格、设置图例、设置坐标轴标签和字体大小等。最后，使用`plt.savefig()`方法将绘制的图形保存为图片。

请注意，这段代码中使用的变量和数据是根据你的上下文提供的信息进行猜测的，可能不完全准确。如果你遇到任何错误或问题，请提供更多的上下文信息，以便我能够更好地帮助你。