📊 scikit-learn 可视化教程 📈

欢迎来到机器学习模型的可视化世界！通过图形化展示数据与模型结果，能够更直观地理解算法行为和数据分析结论。以下是使用 scikit-learn 进行可视化的核心方法与示例。

📌 常用可视化库

1. Matplotlib 📈

   • 基础绘图库，适合生成折线图、散点图、直方图等
   • 示例：plt.scatter(X, y) 可绘制数据点分布
   • 

2. Seaborn 📊

   • 基于 Matplotlib 的高级库，简化统计图表绘制
   • 示例：sns.pairplot(df) 可展示多变量关系
   • 

3. Plotly 📈

   • 交互式可视化工具，适合 Web 端展示动态图表
   • 示例：plotly.express.scatter() 可生成交互式散点图
   • 

📈 实例演示

1. 数据分布可视化

使用 matplotlib.pyplot.hist() 绘制特征分布：

import matplotlib.pyplot as plt  
plt.hist(data, bins=30, color='skyblue')  
plt.title('特征分布')  
plt.xlabel('数值范围')  
plt.ylabel('频率')  
plt.show()  

2. 分类模型结果可视化

通过 confusion_matrix 展示分类性能：

from sklearn.metrics import confusion_matrix  
import seaborn as sns  
sns.heatmap(confusion_matrix(y_true, y_pred), annot=True)  

3. 聚类结果可视化

用 scatterplot 展示 K-Means 聚类效果：

import matplotlib.pyplot as plt  
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')  
plt.xlabel('特征1')  
plt.ylabel('特征2')  

📄 扩展阅读

想深入了解 scikit-learn 的高级可视化技巧？请访问我们的 scikit-learn 教程中心 获取更多实战案例！