回归预测可视化指南：用sklearn和matplotlib绘制真实值与预测值对比图-北京尧图网络

回归模型跑完之后很多人第一件事就是看R²和MSE数字漂亮就认为万事大吉。但我一直觉得指标只是结果的高度浓缩真正能暴露模型问题的是把测试集真实值和模型预测值画在同一张图上看曲线走势、看偏差分布、看异常点。图不会说谎尤其是当你想判断模型在哪个区间失效、是否存在系统性低估时一张拟合曲线图往往比一堆数字更有说服力。这段时间我在做一个某跨平台系统的回归预测实验频繁需要给不同模型画“测试集真实值与预测值对比图”过程中踩了不少坑输出维度不匹配、曲线乱飞、预测区间画不出来、图像中文乱码……今天把这套完整流程整理出来从数据准备到可视化逐行讲清楚给正好卡在这个环节的朋友一个可直接抄作业的方案。1. 整体设计思路先想清楚画图要回答什么问题很多人拿到模型结果就急着调用matplotlib真正画的时候才开始想“我到底要画什么”。我的习惯是先想清楚图表的用途。回归预测的可视化最常见的是两种场景一种是展示模型在测试集上的整体拟合效果用真实值和预测值的对比曲线来体现“跟得有多紧”另一种是展示模型在某个特征维度上的连续预测能力把测试集真实样本打散成点再把模型预测结果连成曲线这种才是严格意义上的“拟合曲线”。这两种图的逻辑完全不同。第一种图横轴是样本序号纵轴是目标值真实值和预测值各画一条折线看两条线是否贴合第二种图横轴是某个特征比如面积、时间、温度纵轴是目标值真实样本是散点模型预测是平滑曲线。它们的解读重点也不一样折线对比图看的是局部波动是否一致拟合曲线图看的是整体趋势和区间分布。1.1 这个需求背后的真实痛点标题里提到的“sklearn下回归预测结果与测试集拟合曲线图绘制”落到实际操作中痛点其实集中在几个环节一是训练集和测试集怎么划分才合理划不好直接导致曲线看起来“拟合得很好”但实际模型很烂二是回归模型的预测输出形状不统一有的模型返回一维数组有的返回列向量画图时报维度错误三是从sklearn到matplotlib的数据传递很别扭尤其是DataFrame列名和numpy数组索引混用的时候最容易把数据搞乱。我自己的经验是与其在画图时手忙脚乱不如在建模环节就把数据结构处理干净。用一个统一的套路训练集测试集划分完真实值统一转成一维数组预测值也统一转成一维数组然后再去画图。这样后面所有可视化方案都能无缝复用。2. 数据准备与模型训练演示项目的完整搭建过程为了把整个流程讲清楚我准备了一个演示项目用sklearn自带的回归数据集生成器构造了一批模拟数据。虽然数据是合成的但处理流程和真实项目完全一致可以直接套用到你自己的数据集上。2.1 构造演示数据集我这次用make_regression生成一个包含500个样本、10个特征的回归数据集并人为加入一点噪声模拟真实业务里“不是所有因素都能被模型捕捉”的情况。代码如下import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import make_regression from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score X, y make_regression(n_samples500, n_features10, n_informative8, noise10.0, random_state42)n_informative8的意思是10个特征里只有8个是真正和目标变量相关的剩下2个是纯噪声特征用来模拟真实场景中“特征鱼龙混杂”的情况。noise10.0控制目标值的随机波动幅度噪声越大模型拟合的上限就越低画出来的曲线就越不会完美重合。2.2 划分训练集与测试集比例和随机种子都要盯紧X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)test_size设0.2意味着100个样本留作测试集。random_state固定成42保证每次运行划分方式一致这对调试很重要。如果不固定随机种子每次跑出来的训练集和测试集都不一样模型评测结果就无法复现前后对比也就没有意义了。注意如果你手头数据具有时间顺序如销量、气温、股票价格train_test_split的默认随机切分方式会“泄漏未来信息”导致拟合曲线在测试集上异常漂亮然而部署时立刻拉胯。这种情况下请改用TimeSeriesSplit或按时间顺序手动切分。2.3 训练两个模型做对比可视化时只画一个模型的曲线略显单薄我通常同时训练线性回归和随机森林回归两个模型用同一份测试集分别做预测然后对比它们拟合曲线的差异。linear_model LinearRegression() linear_model.fit(X_train, y_train) y_pred_lr linear_model.predict(X_test) rf_model RandomForestRegressor(n_estimators200, max_depth10, random_state42) rf_model.fit(X_train, y_train) y_pred_rf rf_model.predict(X_test)这一步顺便解决了一个常见困惑为什么预测结果出现“负值”或“超出合理范围”。线性回归本质是特征加权求和如果训练数据里没有对目标变量做边界约束预测值完全可能跑到训练数据范围之外。这在可视化里表现为曲线在边缘处飘出去并不是bug而是线性模型的固有属性。2.4 评估指标先算出来心里有底再画图每次训练完模型我习惯把三类指标先打印出来至少先用数字建立对拟合好坏的初步感知再画图做视觉确认。def evaluate_model(y_true, y_pred, model_name): mae mean_absolute_error(y_true, y_pred) mse mean_squared_error(y_true, y_pred) rmse np.sqrt(mse) r2 r2_score(y_true, y_pred) print(f{model_name}: MAE{mae:.3f}, MSE{mse:.3f}, RMSE{rmse:.3f}, R2{r2:.3f}) evaluate_model(y_test, y_pred_lr, LinearRegression) evaluate_model(y_test, y_pred_rf, RandomForest)从这些指标中你能判断出随机森林在此类强非线性数据上通常表现得比线性回归好。不过指标高并不代表拟合曲线就完美尤其要警惕过拟合。这里我建议额外关注训练集与测试集R²的差值训练集R²远高于测试集R²说明过拟合画出来的测试集拟合曲线会呈现“中间准、两端飘”的形态。3. 拟合曲线图绘制的完整实操三种最常用方案接下来进入核心环节。我会由浅入深介绍三种我实际用过的绘图方案并说明各自的适用场景。3.1 方案一真实值与预测值的折线对比图这是最直观、最容易向非技术人员解释的方案。横轴表示测试集中的样本序号纵轴表示目标变量把真实值和预测值分别连成折线画在一起。plt.figure(figsize(12, 6)) plt.plot(y_test, labelTrue Value, linewidth2) plt.plot(y_pred_lr, labelLinear Regression Prediction, alpha0.8) plt.plot(y_pred_rf, labelRandom Forest Prediction, alpha0.8) plt.xlabel(Sample Index in Test Set) plt.ylabel(Target Value) plt.title(Regression Predictions vs Ground Truth on Test Set) plt.legend() plt.show()这里有一个非常隐蔽但高频的坑测试集样本的顺序其实是随机的因为train_test_split默认shuffleTrue。如果你直接把y_test按顺序画折线那么这个“样本序号”没有任何实际含义曲线走势就是纯粹随机波动两条线之间没有可比性也不方便观察局部跟随情况。我的做法是先把测试集按目标变量大小排序或者按某个有业务含义的特征维度排序再画折线图。比如在房价数据集上按房屋面积升序排列后再画真实值和预测值曲线就会呈现出清晰的上升趋势预测线是否紧紧跟随真实线一眼就看得出来。排序的代码很简单sort_idx np.argsort(y_test) y_test_sorted np.array(y_test)[sort_idx] y_pred_lr_sorted np.array(y_pred_lr)[sort_idx] y_pred_rf_sorted np.array(y_pred_rf)[sort_idx]3.2 方案二真实值与预测值的散点对比图第二种方案是从“绝对数值对比”转向“一致性对比”。横轴是测试集真实值纵轴是模型预测值。如果模型完美预测所有点都会落在一刀斜率为1的直线上。偏离那条参考线越远说明该样本的预测误差越大。plt.figure(figsize(6, 6)) plt.scatter(y_test, y_pred_lr, alpha0.5, labelLinear Regression) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], r--, linewidth2, labelPerfect Prediction) plt.xlabel(True Values) plt.ylabel(Predicted Values) plt.title(True vs Predicted Values (Linear Regression)) plt.legend() plt.show()这种图特别适合做多模型横向对比。把线性回归和随机森林的散点画在同一坐标系中你立刻能发现随机森林的散点分布更贴近yx对角线线性回归的散点则可能在对角线下方呈扇形展开。这种视觉直觉往往比数字更快地暴露出模型系统性低估或高估的问题。散点图的解读技巧是观察散点带与对角线的夹角。当散点带与对角线平行但整体偏移时猜测模型存在固定偏差例如所有预测值系统性偏小可以检查是否为数据泄漏导致的分布偏移。当散点带呈扇形张开的形态时说明模型在目标值较大的区间内误差被放大。3.3 方案三单特征回归拟合曲线图以上两种方案都不涉及具体特征。如果想看模型在某个关键特征维度上的响应曲线必须用真正的“拟合曲线图”。所谓拟合曲线就是把某个特征的取值范围均匀切分输入到模型里得到预测值再把这些预测点连成平滑曲线。例如假设我想看“第一个特征”对目标变量的影响先把该特征在测试集上的最小值到最大值之间均匀生成100个点其他特征用测试集均值填充依次送入模型做预测。feature_idx 0 X_plot np.linspace(X_test[:, feature_idx].min(), X_test[:, feature_idx].max(), 100).reshape(-1, 1) X_plot_full np.tile(X_test.mean(axis0), (100, 1)) X_plot_full[:, feature_idx] X_plot[:, 0] y_plot_lr linear_model.predict(X_plot_full) y_plot_rf rf_model.predict(X_plot_full) plt.figure(figsize(10, 6)) plt.scatter(X_test[:, feature_idx], y_test, alpha0.4, labelTest Samples) plt.plot(X_plot, y_plot_lr, labelLinear Regression Curve, linewidth2) plt.plot(X_plot, y_plot_rf, labelRandom Forest Curve, linewidth2) plt.xlabel(Feature Value) plt.ylabel(Target Value) plt.title(Fitted Curves for a Single Feature) plt.legend() plt.show()这里有个细节必须说明如果直接把其他特征设为0得到的就不是真实的边际效应曲线而是“把其他特征都置零后的预测结果”。对于线性回归来说因为模型是线性的这种处理不影响斜率方向但对树模型来说其他特征被统一置为某个固定值时逐一输入样本仍然会产生多样化的预测值因为模型可能会命中不同叶子节点。所以更严谨的做法是无特殊必要的情况下保持其他特征取测试集均值。这也提醒我们单特征拟合曲线只是条件依赖的近似可视化仍需要配合特征重要性等统计指标一起解读。3.4 用残差图辅助判断拟合质量光看真实值和预测值两条线是否贴合还不够我一般还会补一张残差图。残差就是真实值减去预测值即模型在每个样本上没解释掉的偏移量。绘制残差图是回归诊断里最经典的手段也是审查模型是否满足基本假设的直观途径。residuals np.array(y_test).ravel() - np.array(y_pred_rf).ravel() plt.figure(figsize(10, 4)) plt.scatter(np.array(y_pred_rf).ravel(), residuals, alpha0.6) plt.axhline(y0, colorr, linestyle--, linewidth2) plt.xlabel(Predicted Values) plt.ylabel(Residuals) plt.title(Residual Plot of Random Forest) plt.show()残差图的理想形态是残差在0线上下随机分布不存在明显的喇叭口或弯曲。如果残差随预测值增大而逐渐发散说明模型在数值较大区间上的不确定性变高这是异方差性的信号。如果残差分布呈现明显曲线形态说明模型可能漏掉了隐含的非线性关系例如使用线性模型拟合带周期性规律的数据就是这么个表现。残差图配合前面的拟合曲线一起看能很好地避免“只看指标高分就盲目信任模型”的陷阱。4. 常见问题与排查技巧实录这一节把我实际踩过的坑集中整理成速查表方便各位对照排查。4.1 真实值与预测值维度不匹配最常遇见的报错是数据维度不统一。sklearn的predict方法返回的是形状为(n_samples,)的一维数组但y_test在某些情况下是(n_samples, 1)的列向量比如你做了某些变换之后保留的二维结构。一维数组和二维数组画图时matplotlib不会直接报错但会以广播的方式硬画出来的曲线会出现重复叠加或者图例错乱。我见过好几次这种现象y_pred和y_test的shape打印出来一个是(100,)一个是(100,1)代码运行不报错但图里的曲线完全不对。解决方式很简单统一用np.ravel()处理y_test_flat np.ravel(y_test) y_pred_flat np.ravel(y_pred)画图前先把两个数组都重塑成一维能省掉大量后续麻烦。4.2 折线图乱飞根本看不出规律折线图最怕的就是曲线交叉乱飞。原因通常是测试集样本顺序太随机没有按目标值或某个特征排序。解决方法前面也提到了先np.argsort排序再画。尤其是当你有多个模型时最好对同一个排序索引处理所有模型的预测值保证排序口径一致否则不同模型画出来曲线的对比就没有意义。遇到乱飞的折线图时还有一个额外检查点确认自己没有把行索引错当成了x轴数据。比如将一个DataFrame直接传递给plot时默认x轴是按数据整块依次排列的但索引如果被重置过刻度标签会给人误导。这时你可以显式传入np.arange(len(y_test))做横轴。4.3 多变量回归拟合曲线只画出直线这种情况大多发生在线性回归模型上。普通的多元线性回归预测得出的“拟合曲线”本质是超平面固定其他特征时其预测结果就是一条直线。如果看到的是直线先不要认为是bug这是模型本身的假设。如果希望捕捉到非线性趋势要么换用带核技巧的模型要么自行构造多项式特征。PolynomialFeatures配合线性回归就可以很直观地拟合出弯曲曲线from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import make_pipeline poly_model make_pipeline(PolynomialFeatures(degree3), LinearRegression()) poly_model.fit(X_train, y_train) y_pred_poly poly_model.predict(X_test)多项式度数不要设太高超过五阶以上容易在曲线两端剧烈摆动画出来的拟合曲线看起来“奇形怪状”实际上就是典型的高阶多项式过拟合。4.4 多输出回归场景的画图差异如果你做的是多输出回归比如同时预测多个目标变量上面介绍的单图方案就不够用了。此时predict返回的是(n_samples, n_outputs)的二维数组。绘制拟合曲线时需要逐个输出列分别画子图否则会把多个输出列当成多维数据一次性画到一张图上结果往往是一团乱麻。推荐用plt.subplots来组织画布。比如同时预测温度和湿度两个输出时可以把两张真实值-预测值对比图分别放在第一行和第二行。这也是我做某图像处理Demo项目时的真实经验多输出回归的可视化难度并不在建模本身而在数据整理和绘图布局。4.5 图像中文字体乱码问题matplotlib默认字体不支持中文一旦标题或坐标标签里写了中文全部显示成方框。我这个项目里因为图表要给文档和演示使用标题必须用中文踩了不少坑。终极解决方案是手动指定系统中文字体在代码最前面加上plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] FalseSimHei在没有安装的环境里可能失效更通用的做法是用系统自带的字体检测逻辑从matplotlib.font_manager里搜索候选字体找到对应字体后直接设置。细节上别忘了第二个参数axes.unicode_minusFalse否则图上的负号会显示成一个小方块。4.6 常见问题速查表问题现象可能原因解决思路数据维度报错或曲线异常predict返回一维数组y_test是二维列向量统一用np.ravel处理后再画图折线图交叉乱飞测试集顺序随机没有排序用np.argsort对样本排序后再画拟合曲线呈直线线性模型本质是超平面换非线性模型或增加多项式特征预测值范围异常线性回归没有边界约束检查数据分布考虑模型本身性质或使用带约束的模型多输出回归图混乱多个输出列被绘制到同一张图用plt.subplots按输出列分组绘制中文标题乱码matplotlib默认字体不支持中文设置plt.rcParams字体内核为SimHei测试集表现远好于实际随机切分导致时间/分组信息泄漏改用时间序列切分或分组切分5. 实操过程中的个人心得与扩展建议上面讲完了具体的绘图方案最后再分享几个我在实际项目中感觉非常有用的经验。5.1 把真实值和预测值放同一个DataFrame配合表格复核画图不是终点数据校验必须落到数字层面。我习惯在画完图之后把测试集的真实值、各模型的预测值、残差放到同一个DataFrame里按残差绝对值排序直接输出排名前20的样本人工检查这些“最难预测样本”到底长什么样。这么做的好处是能直观发现数据中的离群点或者标签错误样本比对着图猜原因高效得多。df_result pd.DataFrame({ true: np.ravel(y_test), pred_lr: np.ravel(y_pred_lr), pred_rf: np.ravel(y_pred_rf) }) df_result[residual_rf] df_result[true] - df_result[pred_rf] df_result.sort_values(residual_rf, keylambda s: s.abs(), ascendingFalse).head(20)这个方法看起来与绘图本身无关但对排查“为什么拟合曲线在某一段偏离特别大”极其有效。很多时候图形上那段离谱的偏差背后往往藏着一段测试集中包含脏数据或异常波动的区间。5.2 使用模型不同超参数组合对比曲线形态如果你想观察模型复杂度对拟合曲线的影响不需要换模型只要调节一个关键超参数就可以。以随机森林为例把max_depth分别设成3、8、20看预测曲线变化深度小的时候曲线平滑但也比真实趋势粗糙深度大的时候曲线几乎贴住每一个训练样本真实性反而下降了。这个可视化视角很适合向非技术人员解释“过拟合”到底长什么样子。画法就是在一个循环里反复训练和绘图fig, axes plt.subplots(1, 3, figsize(15, 4)) for i, depth in enumerate([3, 8, 20]): model RandomForestRegressor(n_estimators100, max_depthdepth, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) axes[i].scatter(y_test, y_pred, alpha0.4) axes[i].plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], r--) axes[i].set_title(fmax_depth{depth}) plt.show()这种对比画的思路放在模型调参阶段特别有用。每个超参数选择背后如果都有一张拟合曲线图支撑最终验收时的说服力会强很多。5.3 把拟合曲线保存成高清图注意DPI项目汇报时图表质量直接影响观感。matplotlib默认保存的图片精度一般发布或插入文档前建议用savefig控制分辨率和边距plt.savefig(regression_fitted_curve.png, dpi300, bbox_inchestight)bbox_inchestight可以自动去除图片周围多余的空白区域否则图片边缘有大量留白整体十分业余。矢量图版本.pdf或.svg更适合在论文或报告中嵌入放大后仍然清晰——这几乎是我在各个模型汇报中反复强调的一条。5.4 预测区间的扩展思路如果后续你希望图表展示的不只是一条预测曲线还有置信区间可以为回归器包一层GradientBoostingRegressor(lossquantile, alpha0.05/0.95)分别预测出5%分位数和95%分位数的两条边界曲线。两边界之间的阴影区域就是模型在某个特征取值下的不确定度范围。画阴影的方法是plt.fill_between把特征区间作为x轴上下边界作为y轴透明度设低一些。这样图上能同时展示预测趋势和不确定性视觉信息量是单条曲线无法比拟的。这个扩展在“参数计算与业务辅助决策”场景里非常受欢迎技术上也并不复杂值得尝试。5.5 关于配色和图例的建议最后提一个很多人忽视的小点假如你在一张图里同时展示多个模型或多组样本强烈建议统一使用同一套色系并给不同模型固定颜色例如线性回归统一红色、随机森林统一蓝色、真实值统一黑色粗线。这样在同一份报告里反复出现这类图时读者看到红色就联想到线性回归看到蓝色就联想到随机森林理解成本大幅下降。图例位置也不要随手默认数据点密集时图例默认位置可能盖住关键部分建议用plt.legend(locupper left)之类参数手动指定到空白区域。我在实际项目的复盘里经常看到图表本身分析是对的但配色和图例把信息表达搞得一团糟。别小看这些细节图表是给别人看的降低认知负担就是一种专业度。回归预测的可视化本质上就是一个把模型行为“翻译”成人能感知的视图的过程。指标是抽象的而拟合曲线是具体的。希望这篇梳理能帮你少走一些弯路把你的模型结果画得清晰、准确、有说服力。

回归预测可视化指南：用sklearn和matplotlib绘制真实值与预测值对比图

相关推荐

m3u8下载实战：ffmpeg与AES-128解密及防坑指南

jsPlumb + jQuery 流程图设计器实战：拖拽连线与拓扑保存

Spring Bones弹簧骨骼快速指南：让Blender的头发和尾巴自然甩起来

更多资讯

从零恢复一个完整 Godot 项目：GDRE Tools 的 PCK 恢复与 GDScript 反编译实战

WinDbg内核调试原理：KD协议、符号解析与物理内存观测机制

WinDbg内核调试原理：KD协议、符号解析与调试契约

专科生毕业论文AI工具实战指南：8个工具助你高效完成论文

WinForm禁用最小化与还原：WndProc消息拦截实战

2016高教杯A题系泊系统MATLAB建模与求解全攻略

今日更新

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？