Matplotlib 画出训练与测试在一张图上

最新推荐文章于 2024-04-27 00:10:29 发布
最新推荐文章于 2024-04-27 00:10:29 发布
阅读量3k 收藏 2
点赞数
分类专栏： Python 文章标签： python matplotlib
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43332715/article/details/124443140
版权
本文介绍了如何使用Python和Matplotlib库，从单变量数据中构造训练和测试数据集，通过添加缺失值并填充有效数据，实现数据预处理的可视化展示。重点展示了train_predict与test_predict的划分过程及与原始数据data_ori的关系。
摘要由CSDN通过智能技术生成

代码：data_ori是整个单变量一维数据集合，先构造出形状，使得train与test要画的数据结构斗鱼data_ori一致，再往里面填nan值，最后再把有效数据填入。


import matplotlib.pyplot as plt
import pandas as pd

split_ratio = 100
test_num = 140 #取140个数据做测试
data_ori = selected_dataset[0:test_num]
train_data = data_ori.iloc[0:split_ratio]#除了最后一列不要,代码还可以更加完善可读性高
test_data = data_ori.iloc[split_ratio+20:test_num]#这个20是为了演示下方图蓝色部分
trainPredictPlot = numpy.empty_like(data_ori)
trainPredictPlot[:] = numpy.nan
trainPredictPlot[:split_ratio] = train_data

testPredictPlot = numpy.empty_like(data_ori)
testPredictPlot[:] = numpy.nan
testPredictPlot[split_ratio+20:test_num] = test_data
plt.plot(data_ori)#全部
plt.plot(trainPredictPlot)#训练预测
plt.plot(testPredictPlot)#测试预测
plt.show()

data_ori图

 

Train_predict与test_predict图 

data_ori与Train_predict与test_predict图 ，第一段为train_predict,第二段为data_ori，第三段为test_predict

 

思考实践
关注
专栏目录
绘制测试集、训练集的每一个病人或者样本的raidomics signiture图（绘制raidomics signature图），以及ROC曲线图
data+scenario+science+insight
05-26 759
绘制测试集、训练集的每一个病人或者样本的raidomics signiture图（绘制raidomics signature图），以及ROC曲线图 受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。为了了解ROC曲线的意义，我们首先得了解一些变量。 RO.
halcon画出灰度直方图_halcon读取一张照片，并转化为灰度图像
weixin_34391934的博客
01-14 4375
dev_close_window () read_image (Image, 'E:/图片/123.jpg') get_image_size (Image, Width, Height) dev_open_window (, , Width, Height, 'black', WindowHandle) rgb1_to_gray(Image,GrayImage) dev_display (Gray...
Pytorch Tensorboard怎么把训练集和测试集画到一起
suyc
01-10 2837
如果没有意外，这个方法不支持<=1.1.0的版本。从1.2.0开始才支持的add_scalars功能。 先看一下效果（很明显，这个熟悉的函数来自官方文档）： 可以区分不同的GPU，同一个类型的数据的训练集和测试集都画到一张图。 代码： r = 5 for i in range(100): # writer.add_scalars('run_14h', {'xsinx':i*np.s...
python绘图把caffe训练的结果loss、accuracy绘制在一张图像上
小黄瓜的博客
09-02 1956
转载：https://www.cnblogs.com/webary/p/5813855.html　以上是plot的具体用法与设置,下面是可视化loss、accuracy具体实现代码。首先需要训练的日志，保存为log.txt格式。也可以添加其他训练曲线。 import math import os import re import sys import matplotlib.pyplot as ...
MMLAB学习-MMCLS项目-训练结果测试与验证
qq_45893652的博客
11-16 216
mmlab-mmcls-训练结果测试与验证
python图像检测_python将图像划分成训练集，验证集和测试集
weixin_39748838的博客
11-23 777
importosimportrandomimportshutilfrom shutil importcopy2"""os.listdir会将文件夹下的文件名集合成一个列表并返回"""defgetDir(filepath):pathlist=os.listdir(filepath)returnpathlist"""制作五类图像总的训练集，验证集和测试集所需要的文件夹，例如训练集的文件夹中装有五个文件...
TensorFlow 用训练好的分类模型对一张图像做测试
04-04
要使用训练好的 TensorFlow 分类模型对一张图像进行测试，可以按照以下步骤进行操作： 1. 导入必要的库和模块： ```python import tensorflow as tf import numpy as np import matplotlib.pyplot as plt ``` 2. ...
【YOLO系列result中的map、loss、pr、F1绘图】根据v5、v8、v7训练后生成的result文件用matplotlib进行绘图_yolo中的f1
最新发布
2401_84615484的博客
04-27 1262
书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。工欲善其事必先利其器。
我想通过python实现以下功能，我该怎么写代码？ 1.通过UCI数据库获取iris数据集 2.通过Numpy读取数据后，并分析数据，使其显示出数据的样本个数，维数，标签类别数 3.将数据进行分割，分成训练集和测试集，这一步要求通过Scikit-learn train-test split算法来实现 4.通过训练集来训练出KNN模型，SVM模型，K-means模型三种模型，并用Matplotlib pyplot绘制每个模型所预测的结果的散点图，准确率。最后在一张图中将这三个模型的准确率进行比较。最后一个要求，我希望在终端中输出所有的图片，而不仅仅是最后一张图。
05-31
最后在一张图中将这三个模型的准确率进行比较，并在每个绘图函数中添加了保存图片的代码，以便后续输出。最后输出了所有图片，代码如下： ``` # 读取并显示所有图片 import os from PIL import Image for file in ...
我想通过python实现以下功能，我该怎么写代码？ 1.通过UCI数据库获取iris数据集 2.通过Numpy读取数据后，并分析数据，使其显示出数据的样本个数，维数，标签类别数 3.将数据进行分割，分成训练集和测试集，这一步要求通过Scikit-learn train-test split算法来实现 4.通过训练集来训练出KNN模型，SVM模型，K-means模型三种模型，并用Matplotlib pyplot绘制每个模型所预测的结果的散点图，准确率。最后在一张图中将这三个模型的准确率进行比较。
05-31
可以尝试以下代码实现： ``` # 导入必要的库 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn....最后在一张图中将这三个模型的准确率进行比较。
深度学习 线性回归 实验三 python pytorch实现
weixin_51395608的博客
09-14 1163
深度学习 python pytorch 线性回归 数据集 torch 多项式回归
sklearn下回归预测结果与测试集拟合曲线图绘制
weixin_43500506的博客
03-22 6942
使用sklearn回归预测结果与测试集拟合曲线图绘制 以上文用过的随机森林模型为例，在函数中需要增加的有三项 1.使用测试集的X特征值算出你要预测的特征值存到y_project中（这个y_project取什么名字随便） y_predict = model.predict(X_test) 2.在返回中加入两项 “predict”: y_predict,#为刚才的预测值 “y_test”: y_test#为测试集的想要特征值的真实值 import pandas as pd from sklearn.ensem
使用matplotlib绘制训练过程的准确率和损失值曲线
weixin_44943389的博客
10-31 439
【代码】使用matplotlib绘制训练过程的准确率和损失值曲线。
如何用python画出训练曲线图
shouhan6396的博客
07-24 5688
import pickle import matplotlib.pyplot as plt f1 = open('/media/xm/0ABA09D10ABA09D1/交通标志识别/Capsule-master/cnn/traffic_cnn_show.txt','rb') cnn = pickle.load(f1) f2 = open('/media/xm/0ABA09D10ABA09D1/交...
Python直接使用plot()函数画图
热门推荐
Sheenky的博客
04-06 13万+
一、plot（）函数的认识 在使用Python进行数据可视化编程中matplotlib库是我们用来对数据进行画图常用的第三方库。其中含有各类函数也就是不同类型的图形，要使用matplotlib库中的函数就需要了解函数所需要数据的格式，这也是我们学习matplotlib库的重点。 直接使用plot（）函数画图，是对于一般的简单数据。我们可以采用直接调用plot（）函数对列表数据进行直接画图。初期学习直接使用plot（）函数能便于我们对后面图形学习奠定函数的参数及基础。 matplotlib图的组成：
使用python的plot绘制loss、acc曲线，并存储成图片
githubcurry
06-03 9542
使用 python的plot 绘制网络训练过程中的的 loss 曲线以及准确率变化曲线，这里的主要思想就时先把想要的损失值以及准确率值保存下来，保存到 .txt 文件中，待网络训练结束，我们再拿这存储的数据绘制各种曲线。
(转载)python画动态图——plt.ion动图使用，训练过程展示
蔡军帅
03-05 2221
import matplotlib.pyplot as plt x = list(range(1, 100)) # epoch array loss = [10 / (i**2) for i in x] # loss values array plt.ion() for i in range(1, len(x)): ix = x[:i] iy = loss...
tensorflow2自定义训练 【这里包含了如何绘制训练过程中参数的变化append ,plot,如何绘制数据集scatter】
csdnhuizhu的博客
06-13 1302
1.Tensorflow中的tensor是不可变无状态对象. 机器学习模型需要可改变状态，比如模型训练和模型预测的代码是相同的，但变量值随着时间而不同（希望尽量小的loss）,为了因对随着计算而改变的状态，可以利用Python的状态可变性。 2.Tensorflow,拥有内建可变状态操作，比使用底层Python状态表示更常见。 比如表示模型的权重，使用Tensorflow变量更方便高效。 变量是一个对象，这个对象存储着数值，当在Tensorflow计算中使用时，会隐式的读取这个存储的数值。 有一些操作（tf
用 plt 画折线图（将训练过程中的每个epoch 的准确率和损失用图的形式展示出来）
qq_39319907的博客
04-10 6383
代码 import matplotlib.pyplot as plt epochs = range(0,4) acc = [2.1,2.3,1.4,5] loss = [1.1,1.4,0.8,0.6] plt.plot(epochs,acc,color='r',label='acc') # r表示红色 plt.plot(epochs,loss,color=(0,0,0),label='loss') #也可以用RGB值表示颜色 plt.show() print('finishing tr
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值