<think>嗯，用户希望将他们的Python代码中的三个图表——特征重要性图、混淆矩阵热力图和ROC曲线——画得更精美。我需要仔细分析他们现有的代码，然后找出可以优化的地方。首先，我应该回忆一下matplotlib和seaborn的高级定制方法，看看有哪些参数可以调整来提升图表的美观度。
特征重要性图现在用的是seaborn的barplot，可能可以调整颜色、字体大小、添加更多的标签信息，或者改变背景样式。比如，使用更现代的颜色渐变，增加标题的字体大小，或者调整坐标轴的标签位置。另外，特征重要性可能需要排序，让最重要的特征排在前面，不过原代码已经按分数排序了，所以这点可能已经处理好了。
混淆矩阵热力图，用户现在用的是sns.heatmap，可能需要添加更多的注释，比如百分比而不仅仅是数量，或者调整颜色映射，使其更清晰。另外，可以设置更合适的图例位置，或者调整单元格的大小，让图表看起来更专业。
至于ROC曲线，当前的代码已经绘制了曲线和虚线参考线，但可能需要调整线条的粗细、颜色，或者添加阴影效果来突出AUC值。坐标轴的标签字体、图例的位置和样式也可以优化，比如使用更大的字体，或者将图例放在更合适的位置。
接下来，我需要检查用户现有的代码，看看哪些参数已经设置，哪些可以进一步调整。例如，在特征重要性图中，是否使用了合适的调色板？是否添加了数据标签？在混淆矩阵中，是否对数值进行了标准化，以便更直观地显示比例？
另外，用户可能希望图表在学术论文或报告中展示，所以需要更高的分辨率和更清晰的输出。可能需要调整plt.figure的参数，比如dpi，或者保存为矢量图格式如PDF或SVG。
在代码层面，可能需要为每个图表单独设置不同的样式，比如使用sns.set_style来改变背景网格，或者调整字体类型。同时，要确保中文字体正确显示，用户已经设置了SimHei，但可能需要检查是否在所有图表中都应用了该设置。
对于特征重要性图，可以考虑使用水平条形图，并给每个条形添加数值标签，这样更易读。在seaborn中，可以通过annotate函数或者修改barplot的参数来实现。
混淆矩阵方面，除了数量，还可以显示每个类别的百分比，特别是在数据不平衡的情况下，这样更直观。可以通过计算百分比矩阵来实现，并在热力图中显示。
ROC曲线方面，可以填充曲线下的面积，增加AUC值的显示位置，调整线条样式，或者添加阈值标签，但可能过于复杂。保持简洁的同时提升视觉效果是关键。
最后，要确保所有修改后的代码与用户现有的代码兼容，不会引起错误。例如，数据预处理步骤是否正确，特征选择是否影响了后续的模型训练等。需要逐步测试每个图表的代码调整，确保输出正确无误。
总结一下，优化方向包括：调整颜色和样式、添加数据标签、优化布局和字体、调整坐标轴和标题、使用更专业的图表元素。需要逐一针对每个图表进行这些调整，并在回答中详细说明修改的代码部分及其作用。</think>我将分步骤说明如何优化这三个图的绘制效果，并提供修改后的代码段：
一、特征重要性图优化方案（增强可读性与美观度）
```python
plt.figure(figsize=(12, 8), dpi=120) # 提高分辨率和尺寸
sns.set_style("whitegrid") # 使用白色网格背景
# 创建渐变色条
bar_plot = sns.barplot(x="Score", y="Feature", data=feature_scores,
palette="viridis_r",
edgecolor="0.2",
linewidth=1.5)
# 添加数据标签
for index, value in enumerate(feature_scores.Score):
bar_plot.text(value + 0.05, index, f'{value:.1f}',
va='center',
fontsize=10,
color='#2d3436')
plt.title('特征重要性评分（ANOVA F值）',
fontsize=16,
pad=20,
fontweight='bold') # 增加标题格式
plt.xlabel('ANOVA F值',
fontsize=12,
labelpad=15) # 调整标签间距
plt.ylabel('特征名称',
fontsize=12,
labelpad=15)
plt.xticks(fontsize=10)
plt.yticks(fontsize=10, rotation=0)
# 添加参考线
plt.axvline(x=np.mean(feature_scores.Score),
color='#e74c3c',
linestyle='--',
linewidth=1.5,
alpha=0.7)
# 添加图例说明
plt.text(np.mean(feature_scores.Score)+0.5, 0.5,
f'平均得分: {np.mean(feature_scores.Score):.1f}',
color='#e74c3c',
fontsize=10)
plt.tight_layout() # 自动调整边距
plt.show()
```
二、混淆矩阵热力图优化方案（增强信息量和可视化效果）
```python
plt.figure(figsize=(10, 8), dpi=120)
sns.set(font_scale=1.2) # 统一字体缩放比例
# 计算百分比矩阵
conf_mat_perc = conf_mat.astype('float') / conf_mat.sum(axis=1)[:, np.newaxis]
# 自定义注释标签
annot_labels = np.array([["{0:0.0f}\n({1:.1%})".format(num,perc)
for num, perc in zip(row, per_row)]
for row, per_row in zip(conf_mat, conf_mat_perc)])
# 创建热力图
heatmap = sns.heatmap(conf_mat,
annot=annot_labels,
fmt='', # 使用自定义格式
cmap='YlGnBu', # 更换色系
linewidths=2,
linecolor='grey',
cbar_kws={'label': '样本数量'},
annot_kws={'size':14,
'color':'#2d3436',
'va':'center'})
plt.title('分类结果混淆矩阵\n',
fontsize=16,
fontweight='bold')
plt.xlabel('预测类别',
fontsize=12)
plt.ylabel('真实类别',
fontsize=12)
# 优化颜色条
cbar = heatmap.collections[0].colorbar
cbar.ax.tick_params(labelsize=10)
cbar.ax.set_ylabel('样本数量',
rotation=270,
labelpad=20,
fontsize=12)
# 调整刻度标签
heatmap.set_xticklabels(['非慢阻肺', '慢阻肺'],
fontsize=12)
heatmap.set_yticklabels(['非慢阻肺', '慢阻肺'],
fontsize=12,
rotation=0)
plt.tight_layout()
plt.show()
```
三、ROC曲线优化方案（提升专业展示效果）
```python
plt.figure(figsize=(10, 8), dpi=120)
plt.style.use('seaborn-darkgrid') # 使用深色网格样式
# 绘制主曲线
plt.plot(fpr, tpr,
color='#3498db',
lw=3,
alpha=0.8,
label=f'ROC曲线 (AUC = {roc_auc:.2f})')
# 填充曲线下方区域
plt.fill_between(fpr, tpr,
alpha=0.15,
color='#3498db')
# 绘制参考线
plt.plot([0, 1], [0, 1],
linestyle='--',
lw=2,
color='#e74c3c',
alpha=0.7,
label='随机猜测')
# 标注最佳阈值点
optimal_idx = np.argmax(tpr - fpr)
plt.scatter(fpr[optimal_idx], tpr[optimal_idx],
s=100,
color='#f1c40f',
edgecolor='#2d3436',
zorder=3,
label=f'最佳阈值点\n(FPR={fpr[optimal_idx]:.2f}, TPR={tpr[optimal_idx]:.2f})')
# 坐标轴设置
plt.xlim([-0.02, 1.02])
plt.ylim([-0.02, 1.02])
plt.xticks(np.arange(0, 1.1, 0.1),
fontsize=10)
plt.yticks(np.arange(0, 1.1, 0.1),
fontsize=10)
# 标签和标题
plt.xlabel('False Positive Rate (1 - Specificity)',
fontsize=12,
labelpad=15)
plt.ylabel('True Positive Rate (Sensitivity)',
fontsize=12,
labelpad=15)
plt.title('ROC曲线 - 慢阻肺筛查模型',
fontsize=16,
pad=20,
fontweight='bold')
# 图例设置
plt.legend(loc='lower right',
frameon=True,
fontsize=10,
framealpha=0.9,
edgecolor='#2d3436')
# 添加网格线
plt.grid(True,
alpha=0.3,
linestyle='--')
plt.tight_layout()
plt.show()
```
主要优化点说明（使用无序列表表示）：
- 特征重要性图
- 添加渐变色系（`viridis_r`）增强视觉层次
- 精确到小数点后1位的数据标签
- 红色虚线标出平均分参考线
- 调整字体大小和边距提升可读性
- 混淆矩阵
- 同时显示绝对数量和百分比
- 使用蓝绿色系（`YlGnBu`）更符合医疗主题
- 添加单元格边框线增强结构感
- 优化颜色条说明文字
- ROC曲线
- 填充曲线下方区域增强表现力
- 标注最佳阈值点提供决策参考
- 使用深色网格背景提升对比度
- 添加详细的轴刻度（0.1间隔）
- 专业级的图例排版和标签说明
建议在代码前添加以下样式初始化：
```python
# 全局样式设置
plt.style.use('seaborn')
sns.set_palette("husl") # 使用统一色板
plt.rcParams['font.family'] = 'SimHei' # 确保中文显示
plt.rcParams['axes.titlepad'] = 20 # 标题间距
```
这些修改通过以下方式提升专业性：
1. 增加信息密度（如同时显示数值和百分比）
2. 优化色彩对比度（使用科学可视化常用色系）
3. 增强可解释性（添加参考线和阈值点）
4. 统一视觉风格（字体、间距、边距）
5. 提高输出分辨率（dpi=120）
6. 添加辅助决策信息（如最佳阈值点）
扫一扫
11万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
