期刊图片复现|Python绘制带有误差分布直方图的回归拟合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pd

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ['#D32F2F', '#003366', '#5a8a70', '#ffb3b3', '#a0c4ff'],

# =========================================================================================# ======================================3.绘图函数=======================================# =========================================================================================def plot_advanced_forest_chart(data, scheme_id):    #创建画布    fig, ax = plt.subplots(figsize=(7, 6), dpi=150)    #测试集散点    ax.scatter(y_test_true, #x               y_test_pred, #y               color=c_test_face, #点颜色               s=40, #大小               label='XGBoost (Test)') #图例标签

    all_vals = np.concatenate([y_train_true, y_train_pred, y_test_true, y_test_pred]) #全部数据    val_min, val_max = np.min(all_vals), np.max(all_vals) #数据极值    val_margin = (val_max - val_min) * 0.1 #坐标轴边缘间隔    #添加评估指标文本    ax.text(0.95, #x            0.05, #y            metrics_text, #文本            transform=ax.transAxes, #坐标系            ha='right', #水平            va='bottom', #垂直            fontsize=14, #字体大小            linespacing=1.5) #行距

    #添加子图    axins = fig.add_axes([0.22, #x                          0.62, #y                          0.28, #宽                          0.25]) #高    counts, _, _ = axins.hist([err_train, err_test], #误差                              bins=bins, #区间边界                              color=[c_train_hist, c_test_hist], #直方图颜色                              edgecolor='black', #边框色                              linewidth=0.8, #边框宽                              alpha=0.9) #透明度

    x_grid = np.linspace(err_ax_min, err_ax_max, 100) #平滑曲线X axins.set_xlabel('Error', fontsize=12, labelpad=2) #子图X轴标题    axins.set_ylabel('Frequency', fontsize=12, labelpad=2) #子图Y轴标题    #设置子图边框    for spine in axins.spines.values():        spine.set_linewidth(1.2)

# =========================================================================================# ======================================4.执行部分===========================================# =========================================================================================if __name__ == '__main__':    df = pd.read_excel(r'data.xlsx' ) #读取数据    X = df.drop(columns=['CMI_Target']) #y    y = df['CMI_Target'] #x    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) #划分数据集    model = xgb.XGBRegressor(n_estimators=100, max_depth=3, learning_rate=0.05, random_state=42) #模型    model.fit(X_train, y_train) #拟合    # 预测    y_train_pred = model.predict(X_train)    y_test_pred = model.predict(X_test)

df = pd.read_excel(r'F:\公众号素材\20260719-带有误差频率分布直方图的回归拟合图\data.xlsx' )

2.提取数据，执行部分：

X = df.drop(columns=['CMI_Target']) #yy = df['CMI_Target'] #x

model = xgb.XGBRegressor(n_estimators=100, max_depth=3, learning_rate=0.05, random_state=42) #模型

4.设置是否要进行批量绘图，执行部分：

plot_all = True

5.设置绘图结果的保存地址，执行部分：

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