Python卡通风格套图(3):多模型对比验证与卡通风格混淆矩阵图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import matplotlib.pyplot as pltimport matplotlib.patches as patchesimport matplotlib.patheffects as peimport matplotlib.colors as mcolorsimport matplotlibimport pandas as pdimport numpy as npimport os

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ['#5ca2fb', '#8ec3a5', '#ff9f9b', '#abe5ea', '#fdf6c2', '#c9cbfd', '#bae8ca', '#02ba6f', '#ff9999', '#99ccff'],}SCHEME_ID = 60  #选择配色方案colors = COLOR_SCHEMES.get(SCHEME_ID, COLOR_SCHEMES[1])  # 通过scheme_id获取对应的色彩方案，默认若不存在则回退至方案1color_correct = colors[0]  # 获取正确预测的主体色color_error = colors[7]  # 选取错误预测的主体色

# =============================================================================================================# ======================================3.辅助函数，用于计算传入数值列表的最小值和最大值=======================================# =============================================================================================================def get_min_max(vals):    if len(vals) == 0:  #如果为空        return 0, 1  #返回为0    min_v = np.min(vals)  #最小值    max_v = np.max(vals)  #最大值    if min_v == max_v:  #如果相同        return min_v, max_v + 1  #将最大值加1    return min_v, max_v  #返回计算好的最小值和最大值

# =============================================================================================================# ======================================4.辅助函数，用于计算单元格颜色插值的函数=======================================# =============================================================================================================def get_interpolated_color(val, min_val, max_val, is_correct, color_correct, color_error):    base_color = color_correct if is_correct else color_error  # 根据预测结果，选择颜色    c_target = np.array(mcolors.to_rgb(base_color))  #转换为RGB数组    c_white = np.array([1.0, 1.0, 1.0])  #纯白色的RGB数组    #最大值最小值不同时   c = ratio * c_target + (1 - ratio) * c_white  #根据调整后的比例，在基准色与白色之间进行线性插值    return tuple(c)  #转为元组后返回

# =========================================================================================# ======================================5.绘图函数，绘制果冻风格颜色条===========================# =========================================================================================def draw_jelly_colorbar(ax, y_bottom, height, is_correct, min_v, max_v, title,                        color_correct, color_error, cb_x, cb_width,                        solid_shadow_effects, txt_effects):    base_color = color_correct if is_correct else color_error  #根据预测结果选择对应的基准颜色    cb_base.set_path_effects(solid_shadow_effects)  #给背景框添加立体阴影    ax.add_patch(cb_base)  #添加到子图画布    #颜色条切分步数，形成平滑过渡    num_steps = 100    step_h = height / num_steps  #计算每一个渐变小色块的高度    #颜色条的标题    ax.text(cb_x + cb_width / 2,  #x            y_bottom + height + 2.5,  #y            title,  #标题文字            ha='center',  #水平            va='bottom',  #垂直            fontsize=13,  #字体大小            fontweight='bold',  #加粗            color=base_color,  #标题的颜色            path_effects=txt_effects,  #文本阴影特效            zorder=6)  #层级

# ======================================================================================================# ======================================6.绘制卡通风格混淆矩阵的主函数=======================================# ======================================================================================================def draw_cartoon_policy_chart(conf_matrix, labels, model_name, label_str):    n = len(labels)  #获取类别数量    max_correct = np.max(np.diag(conf_matrix))  #提取混淆矩阵对角线元素并找出其中的最大值    min_correct = np.min(np.diag(conf_matrix))  #提取对角线元素中的最小值    # 创建一个全为True的布尔掩码矩阵    off_diag_mask = np.ones((n, n), dtype=bool)    np.fill_diagonal(off_diag_mask, False)  #将对角线位置上的掩码设置为False，以区分正确预测与错误预测部分    ax.axis('off')  #隐藏坐标轴边框及刻度线    half_h = (cb_total_height - gap) / 2  #每根颜色条的高度    cb_width = 4.5  #颜色条宽度    ax.add_patch(rect)  #加入到图层中    #子图编号    ax.text(-15,  #X            cb_total_height - CELL_SIZE / 2 + 15,  #Y            label_str,  #标签名            fontsize=26,  #字体大小            fontweight='bold',  #加粗            color='#111',  #颜色            path_effects=txt_effects,  #阴影            va='top',  #水平            ha='left')  #垂直    #计算整个矩阵主体中心位置的X坐标    title_x = ((n - 1) * SPACING) / 2    #标题    ax.text(title_x,  #X            cb_total_height - CELL_SIZE / 2 + 11,  #Y            f"Classification Confusion Matrix\n(Model: {model_name})",  #总标题            ha='center',  #水平            va='center',  #垂直            fontsize=22,  #标题            color='#111',  #字体颜色            fontweight='bold',  #加粗            path_effects=txt_effects)  #阴影

# =========================================================================================# ======================================7.执行部分=======================================# =========================================================================================if __name__ == '__main__':    LOCAL_DATA_PATH = r'data.xlsx'  #文件本地路径    TARGET_COLUMN = 'Target'  #目标    df = pd.read_excel(LOCAL_DATA_PATH)  #读取    X = df.drop(columns=[TARGET_COLUMN])  #特征    y = df[TARGET_COLUMN]  #标签    # 获取全部可能的类别标签值，去重后并按照一定规则进行排序化    unique_labels = sorted(list(y.unique()))    #遍历模型配置字典    for i, (name, (model, param_grid)) in enumerate(models.items()):        label_str = subplot_labels[i]  #提取对应编号        #开启网格搜索        gs = GridSearchCV(model, param_grid, cv=3, n_jobs=-1)        gs.fit(X_train, y_train)  #拟合模型        score = gs.score(X_test, y_test)  #使用最佳模型对测试集评估        print(f"测试集准确率: {score:.4f} (最佳参数: {gs.best_params_})")        best_estimator = gs.best_estimator_  #最佳模型        y_pred = best_estimator.predict(X_test)  #对测试集进行预测        #混淆矩阵        cm = confusion_matrix(y_test, y_pred, labels=unique_labels)        #绘图        draw_cartoon_policy_chart(conf_matrix=cm,  #混淆矩阵结果                                  labels=unique_labels,  #标签                                  model_name=name,  #标题                                  label_str=label_str,  #编号                                 )

SCHEME_ID = 60

2.设置绘图结果的保存地址：

save_dir = r'卡通风格混淆矩阵'  #文件路径

LOCAL_DATA_PATH = r'data.xlsx'  

4.设置目标变量：

TARGET_COLUMN = 'Target'  #目标

5.设置模型配置字典：

models = {    "RandomForest":}

6.设置子图的编号：

subplot_labels = ['(a)', '(b)', '(c)', '(d)', '(e)', '(f)', '(g)', '(h)']