期刊图片复现|Python绘制回归拟合图+频率直方图+残差图组合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.gridspec as gridspecfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.preprocessing import StandardScaler

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ('#7e7aa2', '#d0e8e9'),}

# =========================================================================================# ======================================3.子图绘制函数=======================================# =========================================================================================def draw_exact_panel(fig, gs, title, m_train, p_train, m_test, p_test, scheme_id, metrics_text=""):    color_train, color_test = COLOR_SCHEMES.get(scheme_id, COLOR_SCHEMES[1])  # 获取配色方案    res_train = p_train - m_train  # 训练集残差    res_test = p_test - m_test  # 测试集残差    # 设定坐标轴的上下界限    limit_min = min_val - val_range * 0.05    limit_max = max_val + val_range * 0.05    x_vals = np.linspace(limit_min, limit_max, 100)  # 对角线x数据    lower_bound = x_vals - np.abs(x_vals) * 0.2    upper_bound = x_vals + np.abs(x_vals) * 0.2

    # 绘制误差带    ax_main.fill_between(x_vals,  # x                         lower_bound,  # 下界限                         upper_bound,  # 上界限                         color='gray',  # 颜色                         alpha=0.3,  # 透明度                         zorder=1)  # 层    # 轴范围    ax_main.set_xlim(limit_min, limit_max)    ax_main.set_ylim(limit_min, limit_max)

    # 顶部直方图    ax_top = fig.add_subplot(inner_gs[0, 2], sharex=ax_main)    # 绘制顶部直方图    ax_top.hist([m_test, m_train],  # 数据                bins=15,  # 分箱数                stacked=True,  # 堆叠                color=[color_test, color_train],  # 颜色                edgecolor='black')  # 边框颜色    ax_right.set_xlabel('Count', fontsize=9)  # X轴标题    ax_right.xaxis.set_label_position('top')  # 置顶

    # 左侧残差图    ax_left = fig.add_subplot(inner_gs[1, 0], sharey=ax_main)    ax_left.set_xlim(-res_limit, res_limit)  # x轴范围    ax_left.set_xlabel('Residuals [mm]', fontsize=11)  # x轴标题    ax_left.tick_params(labelsize=8)  # 刻度标注字号    ax_top_left.set_ylabel('Count', fontsize=9)  # Y轴标题    ax_top_left.tick_params(labelbottom=False, labelsize=8)  # 隐藏底部刻度    # 网格线    ax_top_left.grid(True,  # 开启                     axis='x',  # 轴                     linestyle='--',  # 虚线                     alpha=0.8)  # 透明度

# =========================================================================================# ======================================5.执行部分=======================================# =========================================================================================if __name__ == '__main__':    df_raw = pd.read_excel(r'F:\素材\20260512-回归拟合图+频率直方图+残差图组合图\data.xlsx')  # 读取数据    y_target = df_raw['Measures'].values  # y    X_features = df_raw.drop(columns=['Measures']).values  # x        # 预测        p_train = best_model.predict(X_train_scaled)        p_test = best_model.predict(X_test_scaled)        results_dict[model_name] = {            'm_train': y_train, 'p_train': p_train,            'm_test': y_test, 'p_test': p_test,            'metrics_text': metrics_text        }

df_raw = pd.read_excel(r'\data.xlsx')  # 读取数据

2.读取数据，执行部分：

y_target = df_raw['Measures'].values  # yX_features = df_raw.drop(columns=['Measures']).values  # x

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

4.配置模型，执行部分：

models_config = {    "(a) RF": {        "estimator": RandomForestRegressor(random_state=42),        "param_grid": {'n_estimators': [50, 100], 'max_depth': [5, 10, None]}    },    "(b) AdaBoost": {        "estimator": AdaBoostRegressor(random_state=42),        "param_grid": {'n_estimators': [50, 100], 'learning_rate': [0.01, 0.1, 1.0]}    },    "(c) GBRT": {        "estimator": GradientBoostingRegressor(random_state=42),        "param_grid": {'n_estimators': [50, 100], 'learning_rate': [0.05, 0.1], 'max_depth': [3, 5]}    },    "(d) XGBoost": {        "estimator": XGBRegressor(random_state=42, objective='reg:squarederror'),        "param_grid": {'n_estimators': [50, 100], 'learning_rate': [0.05, 0.1], 'max_depth': [3, 5]}    }}

5.设置是否进行批量绘图，执行部分：

plot_all = True

6.设置绘图结果的保存地址，主绘图函数部分：

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