python绘制1:1 goodness-fit-line(1:1对角线)

2024-02-27 20:04

本文主要是介绍python绘制1:1 goodness-fit-line(1:1对角线),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1:1 goodness-fit-line(1:1对角线)

“1:1 goodness-fit-line” 是指在统计学和数据分析中常用的一种技术,用于评估两个变量之间的一致性。当你有两个变量,并且想知道它们之间是否存在线性关系时,你可以绘制一个 1:1 的对角线,表示理想情况下,两个变量完全相等。然后,你可以将你的数据点绘制在这条对角线上,以观察它们的分布情况。
在这种情况下,如果你的数据点几乎全部落在对角线附近,那么这表明两个变量之间存在良好的线性关系,即你的数据很好地拟合了理想的 1:1 对角线。相反,如果数据点分散在对角线周围,或者形成了明显的模式,那么可能存在偏差或其他问题。
绘制 1:1 goodness-fit-line 通常用于评估模型的拟合程度,以及检查实验结果与理论预期之间的一致性。

1:1对角线应用场景

1、线性回归评估:在线性回归中,可以使用1:1对角线来评估模型的拟合情况。将观察值与预测值进行比较,如果它们在1:1对角线附近分布,则表示模型的拟合效果良好。
2、模型比较:1:1对角线也可以用于比较不同模型的拟合效果。通过绘制每个模型的观察值与预测值,并添加1:1对角线,可以直观地比较它们的拟合质量。
3、误差分析:在分析误差时,1:1对角线可以帮助识别预测值与观察值之间的偏差。如果数据点偏离1:1对角线较远,可能表示模型存在系统性误差或其他问题。
4、预测的置信度:对于某些预测任务,我们可能对预测的准确性和置信度感兴趣。1:1对角线可以帮助我们了解预测的准确性,如果数据点大部分分布在1:1对角线附近,则表示模型的预测比较可靠。
5、异常值检测:异常值通常表现为偏离1:1对角线的数据点。因此,在分析数据时,可以使用1:1对角线来识别潜在的异常值或不一致点。

1:1对角线与可靠性曲线区分

1:1对角线:这是一条简单的直线,其斜率为1,通常用于评估模型的预测准确性。在回归分析中,我们可以将模型的预测值与实际观测值进行比较,并绘制成散点图。1:1对角线是指横轴和纵轴相等的直线。如果模型的预测值与实际观测值完全一致,那么数据点将沿着1:1对角线排列。

可靠性曲线:可靠性曲线是一种用于评估分类模型性能的工具。它通常是一个图形,横轴表示模型的预测概率或得分,纵轴表示观测到的事件发生的概率。通过绘制不同预测概率下的观测事件发生率,我们可以评估模型的可靠性和准确性。一般情况下,我们希望可靠性曲线越接近45度对角线(完美预测),表示模型的预测概率与实际观测到的事件发生率高度一致。

在某些情况下,特别是在分类问题中,可以同时使用1:1对角线和可靠性曲线来评估模型的性能。1:1对角线用于评估模型的预测准确性,而可靠性曲线则用于评估模型的分类能力和预测概率的可靠性。这两种工具都是评估模型性能的重要方法,但适用于不同类型的问题和模型。

1:1对角线示例代码

import matplotlib.pyplot as plt
from matplotlib.patches import Patch
from matplotlib.lines import Line2D
import seaborn as sns
from sklearn.metrics import r2_scoreplt.rcParams['font.sans-serif'] = ['STHeiti']# 定义观测值和模拟值的坐标,在这里假定横轴代表观测值,纵轴代表模拟值
observed_x = [0.2, 0.2, 0.4, 0.6, 0.8, 0.3, 0.7]
simulated_y = [0.1, 0.2, 0.4, 0.6, 0.8, 0.5, 0.9]# 计算决定系数
r_squared = r2_score(observed_x, simulated_y)# print("决定系数(R^2):", r_squared)# 绘制对角线
diag_line = plt.plot([0, 1], [0, 1], color='gray', linestyle='--', label='1:1对角线')# 绘制散点图和95%置信区间
scatter = sns.regplot(x=observed_x, y=simulated_y, ci=95, color="orange")# 获取置信区间的相关信息
ci = scatter.get_children()[1]# 创建置信区间的图例元素
ci_legend = Patch(facecolor="orange", alpha=0.2, edgecolor="none", label='95% 置信区间')
# 创建拟合线的图例元素
line_legend = Line2D([], [], color='orange', label='拟合线')# 设置图形标题和坐标轴标签
plt.title('1:1 对角线拟合示意图', fontsize=15)
plt.xlabel('观测值', fontsize=15)
plt.ylabel('模拟值', fontsize=15)# 显示图例
plt.legend(handles=[diag_line[0], line_legend, ci_legend], loc='lower right', fontsize=10)# 在图中标注决定系数
plt.text(0.05, 0.85, f'$R^2$ = {r_squared:.2f}', fontsize=15, transform=plt.gca().transAxes)# 显示图形
plt.grid(True)
plt.show()

1:1对角线结果展示

在这里插入图片描述

可靠性曲线示例代码

import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.calibration import calibration_curve# 生成模拟数据
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练分类模型
model = LogisticRegression()
model.fit(X_train, y_train)# 获取可靠性曲线的数据
prob_pos = model.predict_proba(X_test)[:, 1]
fraction_of_positives, mean_predicted_value = calibration_curve(y_test, prob_pos, n_bins=10)# 绘制可靠性曲线
plt.plot(mean_predicted_value, fraction_of_positives, marker='o', label='Logistic Regression')
plt.plot([0, 1], [0, 1], linestyle='--', color='gray', label='Perfectly calibrated')
plt.xlabel('Mean predicted probability')
plt.ylabel('Fraction of positives')
plt.title('Reliability Curve')
plt.legend()
plt.show()

可靠性曲线结果展示

在这里插入图片描述

这篇关于python绘制1:1 goodness-fit-line(1:1对角线)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/753452

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

【WebGPU Unleashed】1.1 绘制三角形

一部2024新的WebGPU教程,作者Shi Yan。内容很好,翻译过来与大家共享,内容上会有改动,加上自己的理解。更多精彩内容尽在 dt.sim3d.cn ,关注公众号【sky的数孪技术】,技术交流、源码下载请添加微信号:digital_twin123 在 3D 渲染领域,三角形是最基本的绘制元素。在这里,我们将学习如何绘制单个三角形。接下来我们将制作一个简单的着色器来定义三角形内的像素

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

Flutter 进阶:绘制加载动画

绘制加载动画:由小圆组成的大圆 1. 定义 LoadingScreen 类2. 实现 _LoadingScreenState 类3. 定义 LoadingPainter 类4. 总结 实现加载动画 我们需要定义两个类:LoadingScreen 和 LoadingPainter。LoadingScreen 负责控制动画的状态,而 LoadingPainter 则负责绘制动画。

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',

利用matlab bar函数绘制较为复杂的柱状图,并在图中进行适当标注

示例代码和结果如下:小疑问:如何自动选择合适的坐标位置对柱状图的数值大小进行标注?😂 clear; close all;x = 1:3;aa=[28.6321521955954 26.2453660695847 21.69102348512086.93747104431360 6.25442246899816 3.342835958564245.51365061796319 4.87