机器学习4 章节
10.Matplotlib 与 Seaborn 数据可视化
难度: 中等 预计阅读 35 分钟 学习进度 0%
核心导读
掌握 Matplotlib 面向对象 Figure 与 Axes 架构模式、折线图/散点图/直方图/热图绘制，以及 AI 实验中损失曲线与混淆矩阵的可视化方法。
本节要解决什么问题？
在 AI 与数据科学流程中，“一图胜千言”。纯粹的数据表格和张量很难让人一眼看出规律，而数据可视化 (Data Visualization) 是模型开发全生命周期不可或缺的“后视镜”与“仪表盘”：
- 探索性数据分析 (EDA)：观察高维特征分布、寻找特征间的线性/非线性相关性、识别离群异常点 (Outliers)。
- 训练过程诊断 (Training Diagnostics)：绘制训练集与验证集的损失曲线 (Loss Curves) 和准确率变化，快速诊断模型状态。
- 模型评估与误差分析 (Error Analysis)：通过热力图直观定位分类预测结果。
1. 核心架构：Matplotlib Figure 与 Axes 模式
在编写 Python 绘图代码时，必须理解 Matplotlib 的底层层级架构。 Matplotlib 存在两种绘图 API 风格：
- 隐式 API (
plt.plot())：类似于 MATLAB 风格，依赖当前状态机，简单但面对多子图排版时极其容易混淆。 - 面向对象 API (OO Style,
fig, ax = plt.subplots())：显式创建画布和子图对象，结构清晰，是 AI 工业界的标准推荐范式。
Matplotlib 画布三要素
Figure(画布)：最外层的容器，容纳所有的 Axes、全局标题 (suptitle)、图例和颜色条。Axes(子图/坐标系)：真正承载具体图表的图像区域，拥有独立的 X/Y 轴 (Axis)、刻度 (Ticks)、标题和绘制图形。Axis(坐标轴)：负责刻度线、刻度标签以及网格线的生成与样式。
Matplotlib 常用图形与参数调优实验室Interactive Lab
支持常用 AI 图形切变与实时全量参数调优
【全量参数配置面板】(LINE)
图表主标题 (`ax.set_title`):
X轴标签 (`set_xlabel`):
Y轴标签 (`set_ylabel`):
曲线颜色 (`color`):
线型样式 (`linestyle`):
线宽 (`linewidth`): 3px
数据点标记 (`marker`):
Matplotlib 画布渲染窗口 (LINE)figsize=(8, 5), dpi=100
实时生成的 Python 代码 (PyCharm Syntax)LINE Mode
import matplotlib.pyplot as plt
import numpy as np
# 1. 创建 Figure 与 Axes
fig, ax = plt.subplots(figsize=(8, 5))
# 2. 绘制 Loss 训练与验证曲线
ax.plot(epochs, train_loss, color='#0d9488', linestyle='-', linewidth=3, marker='o', label='Train Loss')
ax.plot(epochs, val_loss, color='#f43f5e', linestyle='--', label='Val Loss')
# 3. 标签与标注
ax.set_title('Model Training Performance', fontsize=12, fontweight='bold')
ax.set_xlabel('Epochs / Features')
ax.set_ylabel('Loss / Value')
ax.annotate('Min Loss: 0.14', xy=(7, 0.14), xytext=(5, 0.38), arrowprops=dict(facecolor='gold', shrink=0.05))
ax.grid(True, linestyle="--", alpha=0.5)
ax.legend(loc='upper right')
plt.show()
React Flow 拓扑流程图
支持拖拽与滚轮缩放 🔍
点击放大查看图：Matplotlib 面向对象 Figure 与 Axes 层次结构拆解
实例演练：面向对象 API (OO Style) 显式创建多子图
import matplotlib.pyplot as plt
import numpy as np
# 1. 创建包含 1 行 2 列子图的画布 (Figure 和 Axes 数组)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4), dpi=100)
# 模拟数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 2. 在第一个 Axes 上绘制正弦波
ax1.plot(x, y1, color="royalblue", linewidth=2, label="Sin(x)")
ax1.set_title("正弦函数信号")
ax1.set_xlabel("时间 (t)")
ax1.set_ylabel("振幅")
ax1.grid(True, linestyle="--", alpha=0.6)
ax1.legend()
# 3. 在第二个 Axes 上绘制余弦波
ax2.plot(x, y2, color="crimson", linewidth=2, linestyle="--", label="Cos(x)")
ax2.set_title("余弦函数信号")
ax2.set_xlabel("时间 (t)")
ax2.set_ylabel("振幅")
ax2.grid(True, linestyle="--", alpha=0.6)
ax2.legend()
# 4. 调整布局防止重叠
plt.tight_layout()
# 5. 打印画布与 Axes 对象信息
print("Figure 对象:", type(fig))
print("Axes1 对象:", type(ax1))
print("成功创建 1x2 子图画布！")
2. AI 核心图表类型与代码实战
在 AI 建模全流程中，有 5 种最高频使用的图表类型。下面逐一讲解其绘制技巧与应用场景。
2.1 折线图 (Line Plot)：Loss / Accuracy 训练过程诊断
折线图是观察连续时间序列或 Epoch 演化过程的首选。在深度学习或机器学习训练中，我们将 Train Loss 和 Val Loss 同屏绘制，以诊断过拟合点。
实战：训练集与验证集 Loss / Accuracy 双曲线诊断
import matplotlib.pyplot as plt
import numpy as np
# 模拟 20 个 Epoch 的训练指标数据
epochs = np.arange(1, 21)
# Train loss 持续下降
train_loss = 2.0 * np.exp(-0.25 * epochs) + 0.1 + np.random.normal(0, 0.02, 20)
# Val loss 先下降后因过拟合上升
val_loss = 2.0 * np.exp(-0.20 * epochs) + 0.3 + 0.015 * (epochs - 8)**2 / 10 + np.random.normal(0, 0.02, 20)
fig, ax = plt.subplots(figsize=(8, 4.5))
# 绘制折线图
ax.plot(epochs, train_loss, 'o-', color='#1f77b4', linewidth=2, label='Train Loss')
ax.plot(epochs, val_loss, 's--', color='#ff7f0e', linewidth=2, label='Validation Loss')
# 标记最佳 Early Stopping 位置 (Val Loss 最低点)
best_epoch = epochs[np.argmin(val_loss)]
min_val_loss = np.min(val_loss)
ax.axvline(x=best_epoch, color='red', linestyle=':', label=f'Best Epoch ({best_epoch})')
ax.scatter([best_epoch], [min_val_loss], color='red', s=100, zorder=5)
ax.set_title("Neural Network Loss Curve (Overfitting Diagnosis)", fontsize=12)
ax.set_xlabel("Epochs", fontsize=10)
ax.set_ylabel("Cross Entropy Loss", fontsize=10)
ax.set_xticks(epochs)
ax.grid(True, linestyle=':', alpha=0.7)
ax.legend(loc='upper right')
plt.tight_layout()
print(f"检测到最佳 Checkpoint 保留节点: Epoch {best_epoch}, Val Loss: {min_val_loss:.4f}")
2.2 散点图 (Scatter Plot)：特征相关性与决策边界
散点图用于展示两个连续变量之间的映射关系。在分类问题中，我们可以用点的色彩区分不同类别 (Labels)，直观判断特征的可分性 (Separability)。
实战：双特征分类散点图与类别映射
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(42)
# 模拟类别 0 (如：肿瘤良性)
x0 = np.random.normal(2, 0.8, 80)
y0 = np.random.normal(2, 0.8, 80)
# 模拟类别 1 (如：肿瘤恶性)
x1 = np.random.normal(5, 1.0, 80)
y1 = np.random.normal(4, 1.0, 80)
fig, ax = plt.subplots(figsize=(7, 5))
# 绘制不同类别的散点
scatter0 = ax.scatter(x0, y0, c='dodgerblue', alpha=0.7, edgecolors='k', label='Class 0 (Benign)')
scatter1 = ax.scatter(x1, y1, c='crimson', alpha=0.7, edgecolors='k', marker='^', label='Class 1 (Malignant)')
ax.set_title("Feature Space & Class Separability", fontsize=12)
ax.set_xlabel("Feature 1 (Cell Radius)", fontsize=10)
ax.set_ylabel("Feature 2 (Cell Texture)", fontsize=10)
ax.grid(True, linestyle='--', alpha=0.5)
ax.legend(loc='upper left')
plt.tight_layout()
print("散点图生成完成：数据在 2D 特征空间呈现良好可分性。")
2.3 直方图与 KDE 密度图 (Histogram & KDE)：特征分布检验
机器学习模型（如线性回归、神经网络）通常对特征的分布形态极为敏感。通过直方图 (Histogram) 结合核密度估计 (KDE, Kernel Density Estimation)，可以检测特征数据是否存在偏态 (Skewness) 或异常极大/极小值 (Outliers)。
实战：Seaborn 直方图与 KDE 联合分布检查
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(42)
# 生成长尾正偏态数据 (如：用户支付金额)
raw_feature = np.random.lognormal(mean=1.5, sigma=0.75, size=500)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(11, 4))
# 1. 原始长尾分布
sns.histplot(raw_feature, kde=True, ax=ax1, color='teal', bins=30)
ax1.set_title("Raw Feature Distribution (Right Skewed)")
ax1.set_xlabel("Payment Amount")
# 2. 对数变换 (Log Transform) 后的分布
log_feature = np.log1p(raw_feature)
sns.histplot(log_feature, kde=True, ax=ax2, color='coral', bins=30)
ax2.set_title("Log-Transformed Feature (Gaussian-like)")
ax2.set_xlabel("log(1 + Payment Amount)")
plt.tight_layout()
print(f"原始特征偏度: {np.mean(raw_feature):.2f}, Log变换后分布更接近高斯分布。")
2.4 Seaborn 热力图 (Heatmap)：混淆矩阵与 Pearson 相关矩阵
3.4 混淆矩阵 (Confusion Matrix) 热力图
💡 后续机器学习预告：混淆矩阵 (Confusion Matrix)
在后续【阶段 1 机器学习】分类算法中，我们将使用混淆矩阵评估模型的预测对错。在 Python 阶段，我们重点掌握如何使用 sns.heatmap() 将二维矩阵转化为直观的热力图！
点击放大查看图：混淆矩阵热力图示例
实战：混淆矩阵 Confusion Matrix 热力图绘制
import matplotlib.pyplot as plt
import numpy as np
# 1. 模拟 3 分类模型的混淆矩阵 (True Labels vs Predicted Labels)
conf_matrix = np.array([
[45, 3, 2], # 类别 0 (Setosa) 真实样本 50 个
[ 4, 42, 4], # 类别 1 (Versicolor) 真实样本 50 个
[ 1, 6, 43] # 类别 2 (Virginica) 真实样本 50 个
])
class_names = ["Setosa", "Versicolor", "Virginica"]
fig, ax = plt.subplots(figsize=(6, 5))
# 2. 使用 Matplotlib 原生 imshow 绘制渐变热力图
im = ax.imshow(conf_matrix, cmap='Blues')
# 3. 添加右侧颜色数值标尺 (Colorbar)
cbar = fig.colorbar(im, ax=ax)
# 4. 在各个单元格中心显式填入数字标注
for i in range(len(class_names)):
for j in range(len(class_names)):
count = conf_matrix[i, j]
# 对角线高数值使用白色字，其余使用黑色字
color = "white" if count > 20 else "black"
ax.text(j, i, str(count), ha="center", va="center", color=color, fontweight="bold")
# 5. 配置坐标轴刻度与标签
ax.set_xticks(range(len(class_names)))
ax.set_yticks(range(len(class_names)))
ax.set_xticklabels(class_names)
ax.set_yticklabels(class_names)
ax.set_title("Confusion Matrix Heatmap (Matplotlib)", fontsize=12, fontweight="bold")
ax.set_xlabel("Predicted Label", fontsize=10)
ax.set_ylabel("True Label", fontsize=10)
plt.tight_layout()
plt.show()
print("混淆矩阵热力图绘制完毕：主对角线 45, 42, 43 为预测正确样本。")
本地环境扩展：Seaborn 混淆矩阵官方标准写法 (sns.heatmap)
在本地 IDE、Jupyter Notebook 或服务器 Python 环境中，推荐直接使用 Seaborn 官方极其优雅的 sns.heatmap() 实现混淆矩阵可视化：
python
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 1. 模拟 3 分类模型的混淆矩阵 (True Labels vs Predicted Labels)
conf_matrix = np.array([
[45, 3, 2], # 类别 0 实际有 50 个样本
[ 4, 42, 4], # 类别 1 实际有 50 个样本
[ 1, 6, 43] # 类别 2 实际有 50 个样本
])
class_names = ["Setosa", "Versicolor", "Virginica"]
fig, ax = plt.subplots(figsize=(6, 5))
# 2. 使用 Seaborn 一键绘制带数值标注的热力图
sns.heatmap(
conf_matrix,
annot=True, # 显示单元格具体数值
fmt='d', # 整数格式
cmap='Blues', # 渐变蓝色调
xticklabels=class_names,
yticklabels=class_names,
cbar=True,
ax=ax
)
ax.set_title("Confusion Matrix Heatmap (Seaborn Standard)", fontsize=12, fontweight="bold")
ax.set_xlabel("Predicted Label", fontsize=10)
ax.set_ylabel("True Label", fontsize=10)
plt.tight_layout()
plt.show()
print("Seaborn 混淆矩阵绘制完毕：主对角线数值越高代表预测越准确。")
2.5 多特征散点矩阵可视化 (Pandas scatter_matrix)
当数据集包含 3~6 个连续数值特征时，手动逐个画散点图效率极低。Pandas 内置的 pd.plotting.scatter_matrix() 能够一键生成特征矩阵对角线（单特征分布/KDE 密度）与非对角线（两两特征相关性散点图）的全景图，且完全基于 Matplotlib 原生渲染，在浏览器端可 100% 顺畅执行！
实战：Pandas scatter_matrix 多特征两两散点矩阵
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 1. 构建示例 DataFrame (包含 3 个连续特征)
np.random.seed(0)
n = 100
df_demo = pd.DataFrame({
'Feature_A': np.random.normal(10, 2, n),
'Feature_B': np.random.normal(5, 1, n),
'Feature_C': np.random.normal(10, 2, n) + np.random.normal(5, 1, n) * 0.8
})
# 2. 使用 Pandas 内置的 scatter_matrix 绘制全景图
# diagonal='hist' 使用原生直方图呈现对角线分布 (无需 scipy 扩展包，100% 兼容浏览器)
pd.plotting.scatter_matrix(
df_demo,
diagonal='hist', # 对角线呈现单特征直方图 (无需 scipy)
color='#0d9488', # 散点颜色 (Teal)
alpha=0.7,
figsize=(7, 7)
)
plt.suptitle("Multi-Feature Pairwise Distribution (Pandas Scatter Matrix)", y=0.93, fontsize=11, fontweight='bold')
plt.tight_layout()
plt.show()
print("散点矩阵绘制完毕：对角线呈现单特征直方图分布，非对角线呈现两两相关性。")
本地 Python 离线环境最佳实践：Seaborn & Pearson 相关系数矩阵
在本地 IDE、Jupyter Notebook 或服务器 Python 环境中（已安装 seaborn 和 scipy），可以直接使用工业级的高阶可视化 API：
1. 本地 Seaborn 混淆矩阵与 Pearson 相关系数矩阵热力图
python
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
# --- A. Pearson 皮尔逊相关系数矩阵 (Pearson Correlation Matrix) ---
np.random.seed(42)
df_features = pd.DataFrame({
'Petal_Length': np.random.normal(5, 1, 100),
'Petal_Width': np.random.normal(2, 0.5, 100),
'Sepal_Length': np.random.normal(6, 1, 100),
'Sepal_Width': np.random.normal(3, 0.5, 100)
})
# 计算特征间两两 Pearson 相关系数矩阵 (-1 ~ +1)
pearson_corr = df_features.corr(method='pearson')
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 绘制 Pearson 相关系数热力图 (使用极性发散色盘)
sns.heatmap(
pearson_corr,
annot=True, # 显示皮尔逊相关系数值 (r)
fmt='.2f', # 保留 2 位小数
cmap='vlag', # 极性发散色盘 (正相关红/负相关蓝)
vmin=-1, vmax=1,
square=True,
cbar_kws={'label': 'Pearson Correlation (r)'},
ax=ax1
)
ax1.set_title("Pearson Correlation Matrix Heatmap", fontsize=12, fontweight='bold')
# --- B. Seaborn 3 分类混淆矩阵热力图 ---
conf_matrix = np.array([
[45, 3, 2],
[ 4, 42, 4],
[ 1, 6, 43]
])
class_names = ["Setosa", "Versicolor", "Virginica"]
sns.heatmap(
conf_matrix,
annot=True, # 填入具体分类样本数
fmt='d',
cmap='Blues',
xticklabels=class_names,
yticklabels=class_names,
cbar=True,
ax=ax2
)
ax2.set_title("Confusion Matrix Heatmap (Seaborn)", fontsize=12, fontweight='bold')
ax2.set_xlabel("Predicted Label")
ax2.set_ylabel("True Label")
plt.tight_layout()
plt.show()
2. 本地 Seaborn Pairplot 多特征带类别分类全景图
python
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
# 构建包含类别标签的数据集
np.random.seed(0)
n = 100
df_iris = pd.DataFrame({
'Petal_Length': np.random.normal(5, 1.5, n),
'Petal_Width': np.random.normal(2, 0.5, n),
'Sepal_Length': np.random.normal(6, 1.2, n),
'Species': np.random.choice(['Setosa', 'Versicolor'], size=n)
})
# 本地 Seaborn 一键生成对角线 KDE 密度 + 非对角线按类别着色的散点全景图
grid = sns.pairplot(
df_iris,
hue='Species', # 按花卉类别颜色区分
palette='Set1', # 经典高对比调色盘
corner=True, # 隐藏右上角重复的对称三角区
diag_kind='kde' # 对角线使用核密度估计 (KDE)
)
grid.fig.suptitle("Seaborn Pairplot Feature Distributions", y=1.02, fontsize=12, fontweight='bold')
plt.show()
3. 图像美化、中文配置与排版规范
生产环境或学术论文中的图表，需要遵循严谨的视觉排版规范。
点击放大查看图：AI 数据可视化美化排版与配色规范
3.1 解决 Matplotlib 中文与负号显示乱码
Matplotlib 默认不支持中文字体，直接输出中文会导致方框乱码 □□，负号 - 也可能显示为异常字符。需进行如下全局配置：
python
import matplotlib.pyplot as plt
# 1. 指定默认中文字体 (Windows 常用 SimHei / Microsoft YaHei, Mac 常用 Arial Unicode MS / PingFang SC)
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
# 2. 解决保存图像时负号 '-' 显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
3.2 图例、坐标轴、网格与分辨率规范
| 属性配置 | 推荐 API | 最佳实践说明 |
|---|---|---|
| 画布尺寸与 DPI | plt.subplots(figsize=(8,5), dpi=150) | figsize 控制宽高比，dpi 设为 150~300 保证清晰度 |
| 坐标轴标签 | ax.set_xlabel("Epoch", fontsize=11) | 必须明确标注变量物理含义与单位 |
| 标题 | ax.set_title("Loss Trend", fontweight='bold') | 简洁总结图表传递的核心观点 |
| 网格线 | ax.grid(True, linestyle='--', alpha=0.5) | 使用半透明虚线，避免遮挡数据线条 |
| 图例 Legend | ax.legend(loc='upper right', frameon=True) | loc='best' 自动防遮挡，开启边框提升可读性 |
3.3 Colormap 色彩选型建议
- 连续型 (Sequential)：
viridis,YlGnBu—— 用于体现数值渐变（如 Loss 大小）。 - 发散双极型 (Diverging)：
coolwarm,RdBu—— 用于体现以 0 为中心的正负离差（如 Pearson 相关系数 -1 到 +1）。 - 离散分类型 (Qualitative)：
Set2,tab10—— 用于无序的分组类别区分。
4. 避坑指南与保存规范
防坑点：保存空白图片 (Empty Image)
- 痛点描述：调用
plt.savefig("loss.png")导出的图片文件全是空白一片。 - 根因分析：如果在
plt.savefig()之前 执行了plt.show()，plt.show()在渲染展示完后会自动清空并销毁当前 Figure 画布内存。 - 正确做法：始终在
plt.show()之前 调用plt.savefig("loss.png", bbox_inches='tight')。
实战：图像无损导出与 bbox_inches 规范
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots(figsize=(6, 3.5), dpi=150)
ax.plot([1, 2, 3, 4], [10, 20, 15, 25], label="Trend")
ax.set_title("High DPI Export Example")
ax.legend()
# 1. 必须在 show() 之前 savefig
# bbox_inches='tight' 自动裁剪外部多余空白白边
plt.savefig("model_metrics.png", dpi=300, bbox_inches='tight')
print("图像保存规范检查: 已设置 bbox_inches='tight' 并优先于 show() 执行。")
plt.close(fig)
5. 本章小结
本章系统掌握了基于 Matplotlib 与 Seaborn 的 AI 数据可视化体系：
- 深刻理解了
Figure与Axes的面向对象架构，放弃了不易维护的隐式plt全局作图。 - 掌握了 AI 实验 5 大图表：Loss/Accuracy 折线图（诊断过拟合）、散点图（观察决策边界）、直方图与 KDE（数据偏态与归一化检查）、混淆矩阵热力图（定位分类错误）和 Pairplot（特征全景分析）。
- 掌握了字体乱码修复、DPI 导出规范与
plt.savefig()清空避坑法则。
AI 场景连接
- Loss / Metric 训练过程实时监控与诊断：在深度学习（如 PyTorch/TensorFlow）训练过程中，可视化不仅用于绘制静态图，更用于实时绘制每个 Epoch/Iteration 的 Training Loss、Validation Loss、Learning Rate 衰减曲线以及 Validation Accuracy，直观诊断模型是否发生过拟合（Overfitting）、欠拟合（Underfitting）或梯度异常。
- 高维隐藏层表征降维可视化 (t-SNE / UMAP / PCA)：在 NLP 大语言模型 Embedding 或计算机视觉 Encoder 隐藏层表征分析中，经常使用 PCA 或 t-SNE / UMAP 将 768/1536 维的高维向量降至 2D/3D 空间，并使用 Matplotlib/Seaborn 绘制不同语义聚类的彩色散点图，直观评估表征学习的质量。
- 注意力权重矩阵热力图 (Attention Weights Heatmap)：Transformer 架构中的 Self-Attention / Cross-Attention 权重矩阵通过 Seaborn
heatmap进行热力图渲染，能够清晰展现 LLM 在生成某个 Token 时关注了上下文哪些词汇。
实战：模拟深度学习训练 Loss 下降与 Val Accuracy 实时双曲线绘制
import matplotlib.pyplot as plt
import numpy as np
# 1. 模拟 20 个 Epoch 的训练日志
epochs = np.arange(1, 21)
train_loss = 2.5 * np.exp(-0.25 * epochs) + 0.1 + np.random.normal(0, 0.02, size=20)
val_loss = 2.5 * np.exp(-0.2 * epochs) + 0.25 + np.random.normal(0, 0.03, size=20)
val_acc = 0.5 + 0.45 * (1 - np.exp(-0.2 * epochs)) + np.random.normal(0, 0.01, size=20)
# 2. 创建左右双 Y 轴画布
fig, ax1 = plt.subplots(figsize=(8, 4.5), dpi=120)
# 绘制 Loss 曲线 (左 Y 轴)
color = 'tab:red'
ax1.set_xlabel('Epochs', fontsize=11, fontweight='bold')
ax1.set_ylabel('Loss', color=color, fontsize=11, fontweight='bold')
line1 = ax1.plot(epochs, train_loss, 'o--', color='tab:red', label='Train Loss', alpha=0.8)
line2 = ax1.plot(epochs, val_loss, 's-', color='tab:orange', label='Val Loss', alpha=0.8)
ax1.tick_params(axis='y', labelcolor=color)
ax1.grid(True, linestyle=':', alpha=0.6)
# 绘制 Accuracy 曲线 (右 Y 轴)
ax2 = ax1.twinx()
color = 'tab:blue'
ax2.set_ylabel('Validation Accuracy', color=color, fontsize=11, fontweight='bold')
line3 = ax2.plot(epochs, val_acc, '^--', color='tab:blue', label='Val Accuracy', alpha=0.8)
ax2.tick_params(axis='y', labelcolor=color)
# 合并双轴图例
lines = line1 + line2 + line3
labels = [l.get_label() for l in lines]
ax1.legend(lines, labels, loc='center right', frameon=True, facecolor='white', framealpha=0.9)
plt.title('Deep Learning Training Dynamics & Metrics', fontsize=13, fontweight='bold', pad=12)
plt.tight_layout()
print("深度学习双 Y 轴训练监控曲线模拟绘制完成。")
常见错误排查 (Troubleshooting)
| 错误现象 / 异常类型 | 常见原因 | 解决方案 |
|---|---|---|
plt.savefig() 导出的图片完全空白 | 在调用 plt.savefig() 之前先执行了 plt.show()，画布内容在 show 后被自动清空销毁 | 调整代码顺序，确保在 plt.savefig("loss.png", bbox_inches='tight') 之后 再执行 plt.show() |
| 图表中文字符显示为小方框 / 乱码 | Matplotlib 默认缺失中文字体映射 | 配置全局字体：plt.rcParams['font.sans-serif'] = ['SimHei']（Windows）或 ['Arial Unicode MS']（macOS），并设置 plt.rcParams['axes.unicode_minus'] = False |
| X 轴坐标刻度标签互相重叠遮挡 | 刻度标签文本较长或数量过于密集 | 使用 plt.xticks(rotation=45) 旋转标签角度，或调大 figsize、调用 plt.tight_layout() 自动调整外边距 |
| Seaborn 绘图不显示或没有弹出窗口 | 在 Python .py 纯脚本执行时未调用 plt.show() | Seaborn 基于 Matplotlib 构建，在非 Notebook 交互式环境中绘图后必须显式调用 plt.show() 才能渲染窗口 |
本节检查清单
- 掌握 Matplotlib 面向对象
Figure与Axes的层级拆解与显式fig, ax = plt.subplots()作图范式。 - 能熟练绘制 AI 训练中的 Loss 下降折线图、决策边界散点图与数据特征直方图/KDE 密度图。
- 掌握 Seaborn 在混淆矩阵 (Confusion Matrix) 与 Pearson 特征相关系数矩阵上的热力图绘制技巧。
- 学会使用 Seaborn
pairplot快速对多维特征空间进行两两散点与分布全景审查。 - 熟练解决 Matplotlib 中文字体乱码与负号显示异常问题。
- 理解并正确规避
plt.savefig()与plt.show()的清空顺序陷阱。
自测题
- 概念原理题：在 Matplotlib 面向对象 API 中，如果执行
fig, axes = plt.subplots(2, 2)，返回的axes变量是什么数据结构？如何选中右上角的子图进行作图？ - 相关性热力图分析题：在观察特征 Pearson 相关系数热力图时，如果特征 与特征 的相关系数达到 ，在后续的机器学习线性模型中可能会引发什么后果？
- 编程动手题：使用 Matplotlib 在同一个
Axes上绘制标准正态分布与双峰混合正态分布的 KDE 密度曲线，设置不同的颜色、虚线样式，并添加文字标注 (annotate) 指出极值点。
下一步
进入下一个专项 11. AI 数据与实验工作流规范，掌握数据集划分、特征缩放与防数据泄露工程规范。
参考资料
本页目录
本节要解决什么问题？
1. 核心架构：Matplotlib Figure 与 Axes 模式
2. AI 核心图表类型与代码实战
2.1 折线图 (Line Plot)：Loss / Accuracy 训练过程诊断
2.2 散点图 (Scatter Plot)：特征相关性与决策边界
2.3 直方图与 KDE 密度图 (Histogram & KDE)：特征分布检验
2.4 Seaborn 热力图 (Heatmap)：混淆矩阵与 Pearson 相关矩阵
3.4 混淆矩阵 (Confusion Matrix) 热力图
2.5 多特征散点矩阵可视化 (Pandas scatter_matrix)
3. 图像美化、中文配置与排版规范
3.1 解决 Matplotlib 中文与负号显示乱码
3.2 图例、坐标轴、网格与分辨率规范
3.3 Colormap 色彩选型建议
4. 避坑指南与保存规范
5. 本章小结
AI 场景连接
常见错误排查 (Troubleshooting)
本节检查清单
自测题
下一步
参考资料
核心概念术语表
画布顶层容器，包含所有子图、标题与图例
实际绘图区域（包含坐标轴、刻度、数据图形）
用热力图展现真实类别与预测类别的对比矩阵
KDE核密度估计，连续拟合数据的概率密度分布趋势