Matplotlib数据可视化

Matplotlib 是 Python 中经典的数据可视化库。它可以把数据变成折线图、柱状图、散点图等，帮助你理解趋势、分布和异常。

为什么AI学习需要可视化

只看表格很难发现问题。比如训练损失是否下降、某类样本是否特别少、预测结果是否偏向某个区间，这些都适合画图观察。

画折线图

import matplotlib.pyplot as plt
 
epochs = [1, 2, 3, 4, 5]
loss = [1.2, 0.9, 0.7, 0.62, 0.58]
 
plt.plot(epochs, loss, marker='o')
plt.title('Training Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.grid(True, alpha=0.3)
plt.show()

训练过程中，loss 曲线能帮助你判断模型是否还在学习。

画柱状图

categories = ['positive', 'neutral', 'negative']
counts = [120, 80, 40]
 
plt.bar(categories, counts)
plt.title('Label Distribution')
plt.show()

分类任务中，先看标签分布很重要。如果某一类样本太少，模型可能学不好。

画散点图

hours = [1, 2, 3, 4, 5]
scores = [55, 60, 68, 75, 82]
 
plt.scatter(hours, scores)
plt.xlabel('Study Hours')
plt.ylabel('Score')
plt.title('Study Time vs Score')
plt.show()

散点图适合观察两个变量之间是否有关联。

保存图片

plt.plot(epochs, loss)
plt.savefig('loss.png', dpi=150, bbox_inches='tight')

写实验报告或 README 时，保存图片比只截图更规范。

中文显示问题

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

不同系统字体不同，如果乱码，需要换成本机已有中文字体。

小结

Matplotlib 的价值在于帮助你看见数据。AI 项目中，很多问题不是模型太弱，而是数据分布、标签质量或训练过程出了问题。