plt.plot()函数中 曲线label 位置

曲线label可以通过plt.legend()函数来设置位置，如下所示：

import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [1,4,9,16,25]

plt.plot(x, y, label='y=x^2')

plt.legend(loc='upper left') #设置label在左上角

plt.show()

其中，loc参数可以设置label的位置，常用的参数有：

- 'best': 自动选择最佳位置
- 'upper right': 右上角
- 'upper left': 左上角
- 'lower right': 右下角
- 'lower left': 左下角
- 'center': 中心位置

还可以通过loc的数字代码来指定位置，如下所示：

plt.legend(loc=2) #设置label在左上角

其中，2表示左上角的位置。完整的数字代码对应的位置如下图所示：


相关问题

# 绘制损失函数曲线 plt.plot(train_losses, label='Train Loss') plt.plot(test_losses, label='Test Loss') plt.ylim([0, 1]) # 设置y轴范围为0~1 plt.legend() plt.show() # 绘制准确率曲线 plt.plot(train_accs, label='Train Acc') plt.plot(test_accs, label='Test Acc') plt.ylim([0, 1]) # 设置y轴范围为0~1 plt.legend() plt.show() 使曲线平滑

为了使曲线平滑，可以使用`plot()`函数的`smooth`参数，它可以控制曲线的平滑程度。可以将`smooth`参数设置为一个大于0的整数，代表对曲线进行平均滤波的窗口大小。较大的窗口大小会导致曲线更平滑，但可能会使曲线更加模糊。

以下是修改后的代码，将`plot()`函数的`smooth`参数设置为10：

import matplotlib.pyplot as plt
train_losses, train_accs, test_losses, test_accs = [], [], [], []
for epoch in range(100):
    train_loss, train_acc = train(model, train_loader, criterion, optimizer)
    test_loss, test_acc = test(model, test_loader, criterion)
    train_losses.append(train_loss)
    train_accs.append(train_acc)
    test_losses.append(test_loss)
    test_accs.append(test_acc)
    print('Epoch: {} Train Loss: {:.4f} Train Acc: {:.4f} Test Loss: {:.4f} Test Acc: {:.4f}'.format(
        epoch, train_loss, train_acc, test_loss, test_acc))

# 绘制损失函数曲线
plt.plot(train_losses, label='Train Loss', smooth=10)
plt.plot(test_losses, label='Test Loss', smooth=10)
plt.ylim([0, 1]) # 设置y轴范围为0~1
plt.legend()
plt.show()

# 绘制准确率曲线
plt.plot(train_accs, label='Train Acc', smooth=10)
plt.plot(test_accs, label='Test Acc', smooth=10)
plt.ylim([0, 1]) # 设置y轴范围为0~1
plt.legend()
plt.show()

这里将`plot()`函数的`smooth`参数设置为10，来对损失函数和准确率的曲线进行平滑处理。根据实际情况，可以适当调整`smooth`参数的大小，以得到更好的平滑效果。

predict = model.predict(test_x) plt.plot(predict, label='predict') plt.plot(test_y, label='ground true') plt.legend() plt.show()

这段代码是用来绘制预测值和真实值的曲线图。首先，`model.predict(test_x)`使用模型对测试数据进行预测，得到预测值。然后，通过调用`plt.plot()`函数将预测值和真实值分别绘制在同一张图上。`label='predict'`表示预测值的标签，`label='ground true'`表示真实值的标签。再次调用`plt.legend()`函数添加图例，并调用`plt.show()`函数显示图像。这样可以比较预测值和真实值之间的差异。