数据可视化是使用图表、图形将数据直观展示的手段。在机器学习流程中，它贯穿数据理解、清洗、特征分析、结果评估全流程，帮助我们快速发现数据分布、关联、异常和规律，把枯燥的数字变成可以看懂的信息。
数据可视化在机器学习中的作用
- 观察数据分布：查看数值是集中还是分散，判断是否偏态
- 识别异常值：从图表里快速找到脱离正常范围的数据点
- 分析特征相关性：判断特征之间、特征和标签有没有关联
- 查看标签均衡性：检查分类任务样本是否倾斜
- 展示模型结果：对比预测值与真实值，直观评估模型好坏
可视化不是最终产出，是数据分析、建模过程中的探查工具。
机器学习常用图表类型
| 图表 | 用途 |
|---|---|
| 直方图 Histogram | 查看单个数值特征的分布（年龄、薪资分布） |
| 箱线图 Box Plot | 识别异常值、查看四分位数 |
| 散点图 Scatter Plot | 观察两个数值特征之间的相关关系 |
| 热力图 Heatmap | 多特征相关性矩阵 |
| 柱状图 Bar Chart | 查看分类标签数量分布 |
配套代码示例（沿用统一 data.csv）
安装必要的库
如果你使用的是 Anaconda，这些库通常已预装。否则，可以通过以下命令安装：
pip install pandas matplotlib seaborn数据集和前面文章保持一致：
Age,Salary,Purchased
25,40000,0
45,80000,1
30,50000,0
48,,1
22,32000,0
35,60000,1
,55000,0
50,90000,1
29,43000,0
55,100000,1
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 解决中文显示
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 读取并简单清洗
df = pd.read_csv("data.csv")
df['Age'].fillna(df['Age'].mean(), inplace=True)
df['Salary'].fillna(df['Salary'].mean(), inplace=True)
# 1. 直方图：年龄分布
plt.figure(figsize=(12, 8))
plt.subplot(2,2,1)
plt.hist(df["Age"], bins=6, alpha=0.7, color="#4285d4")
plt.title("年龄分布直方图")
plt.xlabel("Age")
plt.ylabel("Count")
# 2. 箱线图：薪资，查找异常值
plt.subplot(2,2,2)
plt.boxplot(df["Salary"])
plt.title("薪资箱线图")
plt.ylabel("Salary")
# 3. 散点图：年龄 vs 薪资，按标签着色
plt.subplot(2,2,3)
sns.scatterplot(data=df, x="Age", y="Salary", hue="Purchased")
plt.title("年龄-薪资散点图")
# 4. 柱状图：标签分布
plt.subplot(2,2,4)
df["Purchased"].value_counts().plot(kind="bar", color="#4285d4")
plt.title("Purchased 标签分布")
plt.xlabel("Purchased")
plt.ylabel("Count")
plt.tight_layout()
plt.show()
服务器环境无法弹窗时，把
plt.show()替换为plt.savefig("visual.png", dpi=300)保存图片。
运行结果：
可视化注意事项
- 图表不宜过多，每张图只表达一个核心信息
- 合理选择图表类型，不要用饼图展示过多类别
- 坐标轴范围不要刻意裁剪，避免误导判断
- 可视化前优先处理缺失值，否则绘图代码容易报错
- 配色简洁统一，教程类图表推荐蓝色系为主
小结
数据可视化是数据分析的放大镜。在机器学习项目中，我们一边看图一边理解数据，很多隐藏问题单纯靠统计数字很难发现。可视化探查的结论，可以反过来指导数据清洗和特征工程。
思考题
- 如果想要查看多个特征之间的相关系数，优先使用哪一种图？
- 箱线图里的圆点代表什么含义？
0 条笔记