Мобильная версияЯ использовал различные алгоритмы машинного обучения, такие как случайный лес, линейная регрессия, наивный Байес, XGB Boost, чтобы предсказать право на получение кредита. Теперь я хочу создать линейный график, показывающий обработанную и необработанную точность, как показано на следующем рисунке. Я не знаю, как хранить обработанные и необработанные данные о точности переменных, чтобы отображать диаграмму.
Вот мой код:
svm_non = svm_model.predict(X_test_non_processed) svm_pro = svm_model.predict(X_test) lr_non = LR_model.predict(X_test_non_processed) lr_pro = LR_model.predict(X_test) nb_non = nb_model.predict(X_test_non_processed) nb_pro= nb_model.predict(X_test) dt_non = preds = dt_model.predict(X_test_non_processed) dt_pro = dt_model.predict(X_test) rf_non = rf_model.predict(X_test_non_processed) rf_pro = rf_model.predict(X_test) xgb_non = xgb.predict(X_test_non_processed) xgb_pro = xgb.predict(X_test) алгоритмы = ['SVM', 'LR', 'NB', 'DT', 'RF', 'XGB'] обработанная_точность = [svm_pro, lr_pro, nb_pro, dt_pro, rf_pro, xgb_pro] non_processed_accuracy = [svm_non, lr_non, nb_non, dt_non, rf_non, xgb_non] plt.figure(figsize=(10, 6)) plt.plot(алгоритмы,processed_accuracy,marker='o', label='Обработанные данные', linestyle='-') plt.plot(алгоритмы, non_processed_accuracy, маркер='o', label='Необработанные данные', linestyle='-') plt.xlabel('Алгоритмы') plt.ylabel('Точность') plt.title('Точность алгоритма для обработанных и необработанных данных') plt.legend() plt.grid(Истина) plt.show() Ошибка:
X имеет имена функций, но SVC был установлен без имен функций. предупреждения.предупреждать( -------------------------------------------------- ------------------------- ValueError Traceback (самый последний вызов — последний) в () 1 импортировать matplotlib.pyplot как plt 2 ----> 3 svm_non = svm_model.predict(X_test_non_processed) 4 svm_pro = svm_model.predict(X_test) 5 4 кадра /usr/local/lib/python3.10/dist-packages/sklearn/base.py в _check_n_features(self, X, сброс) 387 388, если n_features != self.n_features_in_: --> 389 поднять ValueError( 390 f"X имеет {n_features} функций, но {self.__class__.__name__} " 391 f"ожидает на входе функции {self.n_features_in_}". ValueError: X имеет 9 функций, но SVC ожидает 7 функций в качестве входных данных.
