期刊图片复现|Python绘制平行坐标轴图展示机器模型超参数优化结果

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.path as mpathimport matplotlib.patches as mpatches

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ['#003366', '#0066AA', '#6699CC', '#AACCFF', '#E0F0F0', '#FFE5D0', '#FFB080', '#EE6644', '#AA0022'],}

# =========================================================================================# ======================================3.绘图函数=======================================# =========================================================================================def plot_hyperparameter_optimization(df, scheme_id):    df_norm = (df - df.min()) / (df.max() - df.min())  #归一化处理，统一映射在0到1的y轴空间上    cols = df.columns  #提取列名作为x轴的垂线    x_coords = np.arange(len(cols))  #生成X轴坐标    #创建画布    fig, ax = plt.subplots(figsize=(14, 6))    colors = COLOR_SCHEMES.get(scheme_id, COLOR_SCHEMES[1])  #提取配色方案    custom_cmap = LinearSegmentedColormap.from_list('custom_scheme', colors)  #创建渐变色    norm = plt.Normalize(df['R-squared_test'].min(), df['R-squared_test'].max())  #映射

    #遍历每一次结果    for i in range(len(df)):        y_vals = df_norm.iloc[i].values  # 提取超参数和结果        color = custom_cmap(norm(df['R-squared_test'].iloc[i]))  #获取具体的颜色        verts = []  #贝塞尔曲线的顶点列表        codes = []  #路径指令列表                verts.append(p0)  #添加最初起点坐标                codes.append(mpath.Path.MOVETO)  #移动画笔至此指令        path = mpath.Path(verts, codes)  #生成路径对象        #创建曲线        patch = mpatches.PathPatch(path,facecolor='none',edgecolor=color,lw=1.2,alpha=0.2)        ax.add_patch(patch)  #绘制在子图上

    #坐标轴刻度间隔    step_dict = {        'n_estimators': 30,        'learning_rate': 0.05,        'max_depth': 1,        'min_samples_split': 1    }        else:  #R2            ticks_positions = np.linspace(0, 1, 7)  #划分刻度位置            ticks_values = np.linspace(min_val, max_val, 7)  #划分刻度位置数值        #遍历对应的Y轴相对高度与数值刻度        for pos, val in zip(ticks_positions, ticks_values):            #格式化处理刻度            if col == 'learning_rate':                label = f"{val:.2f}"            elif col == 'R-squared_test':                label = f"{val:.4f}"            else:                label = f"{int(np.round(val))}"            #添加文本标注            ax.text(i - 0.02,  #x                    pos,  #y                    label,  #文本                    va='center',  #水平                    ha='right',  #垂直                    fontsize=10,  #大小                    zorder=4)  #层

    ax.set_xticks(x_coords)  #X轴刻度    ax.set_xticklabels(cols, fontsize=12)  #X轴刻度标注    ax.set_yticks([])  #y轴刻度    ax.set_xlim(0, len(cols) - 1)  #x轴范围    ax.set_ylim(0, 1)  #y轴范围    #添加颜色条    cbar = fig.colorbar(sm,ax=ax,pad=0.01,aspect=40)    cbar.ax.tick_params(labelsize=11)  #设置颜色条刻度标注    #子图编号    ax.set_title("(A)",#文本                 loc='left',#位置                 fontsize=18,#字体大小                 fontweight='bold',#加粗                 pad=15)  #间隔

# =========================================================================================# ======================================4.执行部分=======================================# =========================================================================================if __name__ == "__main__":    df_raw = pd.read_excel(r'data.xlsx')  #读取原始数据    X = df_raw.drop(columns=['Target_ER'])  #特征    y = df_raw['Target_ER']  #目标    #超参数    param_grid = {        'n_estimators': list(range(50, 300, 30)),        'learning_rate': [0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45],        'max_depth': list(range(5, 13, 1)),        'min_samples_split': list(range(5, 13, 1))    }    #是否批量绘图    plot_all = True    if plot_all:        for i in COLOR_SCHEMES.keys():            plot_hyperparameter_optimization(df_results, scheme_id=i)    else:        target_scheme = 20        plot_hyperparameter_optimization(df_results, scheme_id=target_scheme) #（注：您结尾的多余符号在此已修复）

df_raw = pd.read_excel(r'data.xlsx')  #读取原始数据

2.分离特征数据与目标数据，执行部分：

X = df_raw.drop(columns=['Target_ER'])  #特征y = df_raw['Target_ER']  #目标

3.设置超参数，执行部分：

param_grid = {    'n_estimators': list(range(50, 300, 30)),    'learning_rate': [0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45],    'max_depth': list(range(5, 13, 1)),    'min_samples_split': list(range(5, 13, 1))}

4.设置是否进行批量绘图，执行部分：

plot_all = True

5.设置绘图结果的保存地址，绘图函数部分：

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