import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn import metrics #定义评估回归性能函数 def evaluation_metrics() : print("Mean Absolute Error:",metrics.mean_absolute_error(y_test,y_test_pred)) print("Mean Squared Error:",metrics.mean_squared_error(y_test,y_test_pred)) print("Root Mean Squared Error:",np.sqrt(metrics.mean_squared_error(y_test,y_test_pred))) print("r2_score : ",str(metrics.r2_score(y_test,y_test_pred))) #定义绘制Expermental-Predicted图像的函数 def graph(model) : plt.grid(True) plt.plot([1,12],[1,12],color='darkgrey',lw=3) plt.scatter(y_train,y_train_pred,color='c') plt.scatter(y_test,y_test_pred,color='salmon') plt.xlabel("Expermental Values",fontsize=14,fontweight='bold') plt.ylabel("Predicted Values",fontsize=14,fontweight='bold') plt.xlim(1,12) plt.ylim(1,12) plt.title(str(model),fontweight='bold') plt.savefig(str(model)+ "_test.tif",dpi=500) plt.show()
时间: 2024-04-05 07:33:27 浏览: 13
这段代码定义了两个函数,分别是evaluation_metrics和graph。
evaluation_metrics函数用于评估回归性能,其中使用了sklearn库中的mean_absolute_error、mean_squared_error、r2_score等函数来计算预测值与实际值之间的差距,并输出结果。
graph函数用于绘制Expermental-Predicted图像,其中使用了matplotlib库来绘制散点图和参考直线。该函数接受一个参数model,用于指定模型的名称,绘制完成后将图像保存为tif格式并显示出来。
相关问题
import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn import metrics import matplotlib.pyplot as plt
这段代码导入了 pandas、numpy、scikit-learn 和 matplotlib.pyplot 库中的一些常用模块和函数。
- `import pandas as pd` 导入了 pandas 库,并将其重命名为 pd,用于数据处理和分析。
- `import numpy as np` 导入了 numpy 库,并将其重命名为 np,用于数值计算和数组操作。
- `from sklearn.model_selection import train_test_split` 导入了 scikit-learn 库中的 train_test_split 函数,用于将数据集拆分为训练集和测试集。
- `from sklearn.linear_model import LogisticRegression` 导入了 scikit-learn 库中的逻辑回归模型(LogisticRegression),用于进行分类任务。
- `from sklearn import metrics` 导入了 scikit-learn 库中的 metrics 模块,用于评估模型性能。
- `import matplotlib.pyplot as plt` 导入了 matplotlib 库中的 pyplot 模块,并将其重命名为 plt,用于绘制数据可视化图形。
这段代码的目的是导入所需的库和模块,以便在后续的代码中使用它们进行数据处理、模型训练和评估以及结果可视化等操作。
import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.svm import SVC from sklearn.metrics import classification_report from sklearn.metrics import confusion_matrix
这段代码是在 Python 中导入了一些常用的机器学习库和模块,包括 pandas、numpy、matplotlib、sklearn 等。其中:
- pandas 是 Python 中常用的数据分析库,可以用来读取和处理数据;
- numpy 是 Python 中常用的科学计算库,提供了数组、矩阵等数据结构和各种数学函数;
- matplotlib 是 Python 中常用的数据可视化库,可以用来绘制各种图表;
- sklearn 是 Python 中常用的机器学习库,提供了许多常用的机器学习算法和工具,比如数据预处理、模型选择、模型评估等。
这段代码中还导入了不同的机器学习算法,包括逻辑回归、决策树、K近邻和支持向量机等。最后还导入了一些评估指标,比如分类报告和混淆矩阵。