期刊图片复现|Python绘制回归拟合散点图与误差分析图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import pandas as pdimport matplotlib.pyplot as pltimport numpy as npimport matplotlib.gridspec as gridspec

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {'#e4eff7', '#002060', '#f0984d','#f5b881', '#7a8e9e', '#729fa1', '#a2c6d4', '#f2aa9e'},}

# =========================================================================================# ======================================3.数据分布直方图绘制函数=======================================# =========================================================================================def plot_back_to_back_histogram():    fig, ax = plt.subplots(figsize=(5, 6))    ax.set_facecolor(scheme['bg'])  # 坐标轴背景色    #绘制训练集水平条形图    ax.barh(bin_centers,  #y            -counts_train,  #取负，向左侧绘制            height=1,  # 条形的高度，宽            color=scheme['train'],  #填充色            alpha=0.7,  #透明度            edgecolor=scheme['train'],  #边缘            label='train',  #图例标签            zorder=2)  #层    #基准线    ax.axvline(0,  #x               color='black',  #颜色               linewidth=1.5,  #宽度               zorder=3)  #层    ax.set_yticks(yticks)  #应用y轴刻度    #设置y轴刻度标签    ax.set_yticklabels(yticks, fontsize=16, fontweight='bold')    ax.set_ylim(4, 28)  # y轴显示范围    legend = ax.legend(loc='upper right', prop={'weight': 'bold', 'size': 14})  #图例    legend.get_frame().set_edgecolor('black')  #图例边框颜色    legend.get_frame().set_linewidth(1.5)  #图例边框线宽

# =========================================================================================# ======================================4.散点图+误差箱线图绘制函数=======================================# =========================================================================================def plot_prediction_and_error():    #设定网格布局    gs = gridspec.GridSpec(1,  #行                           2,  #列                           width_ratios=[3.5, 1],  #左右宽度比例                           wspace=0.25)  #水平间距    ax1 = fig.add_subplot(gs[0])  #第一个子图    ax1.set_facecolor(scheme['bg'])  #设置背景色    #网格线    ax1.yaxis.grid(True,  #开启                   linestyle='--',  #样式                   color='lightgray',  #颜色                   alpha=1,  #透明度                   zorder=0)  #层    ax1.set_xlim(min_val, max_val)  #x轴范围    ax1.set_ylim(min_val, max_val)  #y轴范围    ticks_ax1 = [5, 10, 15, 20, 25, 30]  #x、y轴的刻度值    #应用    ax1.set_xticks(ticks_ax1)    ax1.set_yticks(ticks_ax1)    #设置刻度标注    ax1.set_xticklabels(ticks_ax1, fontsize=18, fontweight='bold')    ax1.set_yticklabels(ticks_ax1, fontsize=18, fontweight='bold')    #设置刻度线    ax1.tick_params(width=2, length=6)    ax1.set_xlabel('Experimental value (MPa)', fontsize=20, fontweight='bold')  #x轴标题    ax1.set_ylabel('Predicted value (MPa)', fontsize=20, fontweight='bold')  #y轴标题    # 创建右侧子图    ax2 = fig.add_subplot(gs[1])    ax2.set_facecolor(scheme['bg'])  #背景色    #网格线    ax2.yaxis.grid(True,  #开启                   linestyle='--',  #样式                   color='lightgray',  #颜色                   alpha=0.8,  #透明度                   zorder=0)  #层    #将刻度标签改为文本    ax2.set_xticklabels(['test', 'train'],  #文本                        fontsize=18,  #字体大小                        fontweight='bold',  #加粗                        rotation=-30)  #旋转    ax2.tick_params(width=2, length=6)  #刻度线    ax2.set_ylabel('Error (%)', fontsize=20, fontweight='bold', labelpad=-5)  #设置y轴标题

# =========================================================================================# ======================================5.评价指标数据图绘制函数=======================================# =========================================================================================def plot_metrics_bar_chart():    # 收集到列表    values = [r2_tr, mse_tr, rmse_tr, mae_tr, r2_te, mse_te, rmse_te, mae_te]    y_pos = [1, 2, 3, 4, 5, 6, 7, 8]  # 每个条形的垂直y轴起始坐标数组    # 构建颜色列表，复用配色方案设定值    colors = [scheme['r2'], scheme['mse'], scheme['rmse'], scheme['mae']] * 2    # 画布    fig = plt.figure(figsize=(5, 6))    gs = gridspec.GridSpec(1, 2, width_ratios=[1, 2.5], wspace=0)  # 创建网格矩阵    for y in [1.5, 2.5, 3.5, 5.5, 6.5, 7.5]:        ax_tab.plot([0.35, 1],  # x                    [y, y],  # y                    color='black',  # 颜色                    linewidth=1.5)  # 线宽    # 区域分隔线    ax_tab.axhline(4.5,  # y                   color='black',  # 颜色                   linewidth=2.0)  # 线宽    # 训练集文本    ax_tab.text(0.175,  # x                2.5,  # y                'train',  # 文本                va='center',  # 垂直                ha='center',  # 水平                rotation=90,  # 旋转                fontweight='bold',  # 加粗    ax_bar = fig.add_subplot(gs[1])  # 右侧条形图    ax_bar.set_facecolor(scheme['bg'])  # 设置该坐标轴区域的背景色    ax_bar.set_ylim(0.5, 8.5)  # y轴范围    ax_bar.set_xlim(0, 4.5)  # x轴范围

# =========================================================================================# ======================================7.执行部分=======================================# =========================================================================================if __name__ == '__main__':    local_data_path = r'data.xlsx'  # 原始数据路径    df_rf_data = pd.read_excel(local_data_path, sheet_name='RandomForest_Data')  # 读取    y_target = df_rf_data['Target'].values  # y    X_features = df_rf_data.drop(columns=['Target']).values  # x    # 划分数据集    X_train, X_test, y_train, y_test = train_test_split(X_features, y_target, test_size=0.2, random_state=42)    # 实例化模型    rf_model = RandomForestRegressor(random_state=42)    # 超参数网格    param_grid = {'n_estimators': [50, 100],                  'max_depth': [5, 10]}    # 定义多个评价指标    scoring_metrics = {        'r2': 'r2',        'mse': 'neg_mean_squared_error',        'rmse': 'neg_root_mean_squared_error',        'mae': 'neg_mean_absolute_error'    }    # 网格搜索    grid_search = GridSearchCV(        estimator=rf_model,        param_grid=param_grid,        cv=5,        scoring=scoring_metrics,        refit='r2',        n_jobs=-1,        return_train_score=True,        verbose=2,    )    # 最佳模型    best_model = grid_search.best_estimator_    # 预测    y_pred_train = best_model.predict(X_train)    y_pred_test = best_model.predict(X_test)

SCHEME_ID = 60  #要使用的配色方案

2.设置子图a保存地址：

plt.savefig(fr'histogram{SCHEME_ID}.png', dpi=300,bbox_inches='tight')

plt.savefig(fr'prediction_and_error{SCHEME_ID}.png', dpi=300,bbox_inches='tight')

plt.savefig(fr'bar_chart{SCHEME_ID}.png', dpi=300, bbox_inches='tight')

combined_img.save( fr'combined_plot_{scheme_id}.png', quality=95)

local_data_path = r'data.xlsx'  # 原始数据路径

y_target = df_rf_data['Target'].values  # y

X_features = df_rf_data.drop(columns=['Target']).values  # x

X_train, X_test, y_train, y_test = train_test_split(X_features, y_target, test_size=0.2, random_state=42)

param_grid = {'n_estimators': [50, 100],              'max_depth': [5, 10]}