在回归任务中绘制多维真实和预测数组

Question

在使用 LSTM（单变量 LSTM）预测未来 1 小时电力负荷的回归任务中，结果可以很容易地绘制成如下所示：

plt.plot(y_ts, label='True Future', color='blue')
plt.plot(y_pred, label='Forecast', color='red')
plt.show()

这是因为 y_ts 和 y_pred 都是一维的。现在，假设任务已更改为使用 LSTM 预测未来 6 小时的电力负荷。这意味着 y_ts 和 y_pred 现在将是二维的，例如 y_ts= (3454, 6) 和 y_pred= (3454, 6) 如何绘制高维数组的这种情况？

Answer 1

从根本上说，您的数据中只有一个维度，即时间；你有 6 个时间片 - 将它们相互附加，在相同的轴上绘制并分别标记每个小时是有意义的。

让我借助一些捏造的数据来解释一下：

import numpy as np
from matplotlib import pyplot as plt

np.random.seed(42)

n, h = 3454, 6
y_ts, y_pred = np.random.randn(n, h).cumsum(), np.random.randn(n, h).cumsum()
y_ts = y_ts - np.min(y_ts)
y_pred = y_ts - (y_pred - np.min(y_pred)) / np.max(y_pred) * 0.05 * np.mean(y_ts)
y_ts = y_ts.reshape((n, h), order="F")
y_pred = y_pred.reshape((n, h), order="F")

单独绘制 y_ts（y_pred 也类似）：

for i in range(h):
    plt.plot(y_ts[:, i], label=f'y_ts_h{i+1}')

plt.legend()
plt.show()

现在，您可以整理数据并将其绘制为一维系列，如下所示：

y_ts = y_ts.reshape((n*h), order="F")
y_pred = y_pred.reshape((n*h), order="F")
plt.plot(y_ts, label=f'y_ts')
plt.plot(y_pred, label=f'y_pred')

for i in range(h):
    plt.axvline(x=(n*(i+1)), c='m')

plt.xticks([(i+1)*n for i in range(h)], [f'hr_{i+1}' for i in range(h)])
plt.legend()
plt.show()

在回归任务中绘制多维真实和预测数组

Plotting multi-dimensional true and predicted arrays in a regression task

python-3.x

matplotlib

machine-learning

plot

regression