Python绘制极坐标柱状图与雷达图：机器学习模型性能可视化对比

这次我们来看一个专门用于机器学习模型性能可视化对比的Python工具——极坐标柱状图与雷达图绘制。如果你在写论文、做项目汇报，或者需要在一张图上清晰展示多个模型在多个指标上的表现差异，这个工具能帮你快速生成专业级的科研图表。它不是什么复杂的深度学习框架，而是一个聚焦于“可视化对比”的实用脚本，核心是解决多模型、多指标评估结果难以直观呈现的问题。

很多人在对比模型时，还在用一堆并列的条形图或折线图，不仅占地方，而且指标间的关联性看不清楚。这个工具直接把性能指标映射到极坐标系上，用柱状图表示绝对数值，用雷达图勾勒出模型的“能力轮廓”，一张图就能看出哪个模型更均衡、哪个在特定指标上突出。对于需要将实验结果发表在期刊上的研究者，或者需要向团队展示算法选型依据的工程师，这种复现期刊常用图表风格的能力非常实用。

本文会带你从零开始，完成环境配置、数据准备、图表生成到样式自定义的全过程。重点不是讲解复杂的机器学习算法，而是如何将你的模型评估结果（比如准确率、召回率、F1值等）快速、美观地转化为可用于发表的图表。我们会用一份模拟的九模型、七指标数据集作为例子，一步步演示如何调整颜色、标签、坐标轴，以及如何导出高清图片。

1. 核心能力速览

2. 适用场景与使用边界

这个工具最适合需要将机器学习模型评估结果进行可视化对比的场合。

它非常适合：

1. 学术论文撰写者 ：需要复现或绘制符合期刊要求的性能对比图。
2. 算法工程师/数据科学家 ：在项目内部评审或技术报告中，直观展示不同模型（如SVM、随机森林、XGBoost、神经网络等）的优劣。
3. 学生与研究者 ：用于课程作业、毕业设计或研究实验的结果展示，提升报告的专业性。
4. 团队技术分享 ：用一张清晰的图表代替冗长的表格，让听众快速抓住重点。

它的能力边界也很明确：

1. 非模型训练工具 ：它不负责训练或评估模型，只负责将已有的评估结果（数值）可视化。
2. 依赖标准数据格式 ：输入需要是规整的二维数值数据。如果你的评估结果散落在多个文件或格式不一致，需要先进行数据整合。
3. 美学依赖配置 ：默认样式可能不直接满足所有期刊或场合的要求，需要使用者根据目标出版物的指南调整字体、字号、颜色、线宽等细节。
4. 指标数量限制 ：从可读性角度，雷达图不适合展示过多指标（例如超过10个），否则会显得过于拥挤，建议关键指标在5-8个为宜。

合规性提醒 ：使用时，请确保用于图表的数据是合法获取并有权使用的。在学术用途中，应遵守学术规范，正确引用数据来源。图表生成后，可用于公开的论文和报告。

3. 环境准备与前置条件

部署和运行这个绘图工具非常简单，只需要一个基础的Python科学计算环境。

1. 操作系统

• Windows 10/11, macOS, 或 Linux 发行版均可。本文演示以Windows为例，命令在其他系统上可能略有不同。

2. Python 环境

• Python 版本 ：推荐使用 Python 3.7 至 3.10 之间的版本，兼容性最好。避免使用过于老旧或最新的预览版。
• 环境管理（建议） ：使用 conda 或 venv 创建独立的虚拟环境，避免包冲突。

  # 使用 conda 创建环境
  conda create -n plot_env python=3.8
  conda activate plot_env
  
  # 或使用 venv 创建环境
  python -m venv plot_env
  # Windows 激活
  plot_env\Scripts\activate
  # Linux/macOS 激活
  source plot_env/bin/activate
  

3. 必需Python库 核心依赖只有三个，通过pip即可安装。

pip install matplotlib numpy pandas

• matplotlib : 绘图库的主力，版本建议 >= 3.3。
• numpy : 数值计算基础，用于数据处理。
• pandas : 数据处理利器，方便我们以 DataFrame 格式组织和操作数据。

4. 可选工具

• Jupyter Notebook / Jupyter Lab : 非常适合交互式开发和调试图表。
• IDE : VS Code, PyCharm 等，提供更好的代码编辑体验。

5. 磁盘空间

• 仅需几十MB空间用于安装库，生成图片所需空间可忽略不计。

4. 数据准备与脚本结构

在画图之前，我们先准备好数据和代码框架。假设我们有9个模型（Model_A 到 Model_I）在7个指标上的表现。

4.1 模拟评估数据 我们可以用 pandas 创建一个 DataFrame 来模拟这份数据。

import pandas as pd
import numpy as np

# 设置随机种子保证可复现
np.random.seed(42)

# 定义模型名称和评估指标
model_names = [f'Model_{chr(65+i)}' for i in range(9)] # Model_A to Model_I
metrics = ['Accuracy', 'Precision', 'Recall', 'F1-Score', 'AUC-ROC', 'MCC', 'Specificity']

# 生成模拟数据：假设指标值在[0.7, 0.95]区间内，并添加一些随机性
data = np.random.uniform(low=0.70, high=0.95, size=(len(model_names), len(metrics)))
# 为了让某个模型在某个指标上“突出”，我们可以手动调整一些值
data[0, 0] = 0.98  # Model_A 准确率很高
data[4, 3] = 0.99  # Model_E 的F1分数很高
data[8, 1] = 0.72  # Model_I 精确率稍低

# 创建DataFrame
df_performance = pd.DataFrame(data, index=model_names, columns=metrics)
print(df_performance.round(3))

运行这段代码，你会得到一个9行7列的 DataFrame ，里面填充了模拟的性能分数。这是我们的核心数据源。

4.2 绘图脚本主框架 我们将创建一个名为 polar_bar_radar_plot.py 的Python脚本。其核心逻辑如下：

1. 导入库 ：导入 matplotlib, numpy, pandas。
2. 加载数据 ：从 DataFrame 或CSV文件加载评估矩阵。
3. 设置极坐标 ：使用 plt.subplot 并设置 projection='polar' 来创建极坐标轴。
4. 绘制柱状图 ：在极坐标的每个角度（对应一个指标）上，为每个模型绘制一根柱子。
5. 绘制雷达图 ：将每个模型在所有指标上的值连成线，形成雷达图。
6. 美化图表 ：设置角度刻度、半径刻度、标签、标题、图例、颜色等。
7. 保存输出 ：将图表保存为文件。

5. 极坐标柱状图绘制详解

我们先实现极坐标柱状图，它能直观显示每个模型在每个指标上的具体得分。

5.1 基础极坐标柱状图

import matplotlib.pyplot as plt
import numpy as np

# 假设 df_performance 是上一节准备好的数据
data = df_performance.values
models = df_performance.index.tolist()
metrics = df_performance.columns.tolist()

# 计算角度：将圆周等分给每个指标
angles = np.linspace(0, 2 * np.pi, len(metrics), endpoint=False).tolist()
# 为了使图形闭合，需要重复第一个角度
angles += angles[:1]

fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(projection='polar'))

# 为每个模型绘制数据
for idx, model in enumerate(models):
    values = data[idx].tolist()
    values += values[:1] # 同样，使数据闭合
    ax.plot(angles, values, 'o-', linewidth=2, label=model) # 先画线（雷达图雏形）
    ax.fill(angles, values, alpha=0.25) # 填充颜色

# 设置角度刻度
ax.set_xticks(angles[:-1]) # 不包含最后一个重复的角度
ax.set_xticklabels(metrics)

# 设置半径刻度并隐藏半径标签（让图更干净）
ax.set_yticks([0.2, 0.4, 0.6, 0.8, 1.0])
ax.set_yticklabels(['0.2', '0.4', '0.6', '0.8', '1.0'], color='grey', size=10)
ax.set_ylim(0, 1.1)

# 添加标题和图例
plt.title('Model Performance Comparison (Radar Chart)', size=15, y=1.1)
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0))

plt.tight_layout()
plt.show()

这段代码会生成一个基础的、所有模型重叠在一起的雷达图。但这并不是我们想要的柱状图。极坐标柱状图需要将每个模型在每个指标上的柱子并排排列。

5.2 分组极坐标柱状图实现 真正的分组柱状图逻辑更复杂一些，需要计算每个柱子的偏移角度。

import matplotlib.pyplot as plt
import numpy as np

data = df_performance.values
models = df_performance.index.tolist()
metrics = df_performance.columns.tolist()

num_models = len(models)
num_metrics = len(metrics)

# 每个指标在圆周上的位置（主角度）
angles_main = np.linspace(0, 2 * np.pi, num_metrics, endpoint=False)
# 每个模型柱子的宽度（以弧度计）
width = 2 * np.pi / (num_metrics * (num_models + 1)) # 留出间隙

fig, ax = plt.subplots(figsize=(12, 12), subplot_kw=dict(projection='polar'))
ax.set_theta_offset(np.pi / 2) # 将0度位置设置在顶部
ax.set_theta_direction(-1) # 顺时针方向绘制

# 为每个模型选择一种颜色
colors = plt.cm.Set3(np.linspace(0, 1, num_models))

# 绘制柱状图
for model_idx, model in enumerate(models):
    # 计算当前模型所有柱子的角度：主角度 + 偏移量
    offset = (model_idx - num_models / 2 + 0.5) * width
    angles = angles_main + offset
    
    values = data[model_idx]
    bars = ax.bar(angles, values, width=width*0.9, label=model, 
                  color=colors[model_idx], edgecolor='black', linewidth=0.5)
    # 可选：在柱子上添加数值标签（如果柱子不高，可能显得拥挤）
    # for angle, value, bar in zip(angles, values, bars):
    #     rotation = np.degrees(angle)
    #     ha = 'left' if 0 <= rotation <= 180 else 'right'
    #     rotation = (rotation + 90) % 180 - 90 # 调整文本旋转
    #     ax.text(angle, value + 0.02, f'{value:.2f}', 
    #             ha='center', va='bottom', rotation=rotation, rotation_mode='anchor', fontsize=8)

# 设置角度刻度（放在指标分组中间）
ax.set_xticks(angles_main)
ax.set_xticklabels(metrics, fontsize=12)

# 设置半径网格和标签
ax.set_ylim(0, 1.05)
ax.set_yticks([0.2, 0.4, 0.6, 0.8, 1.0])
ax.set_yticklabels(['0.2', '0.4', '0.6', '0.8', '1.0'], fontsize=10)
ax.grid(True, axis='y', linestyle='--', alpha=0.7)

# 添加图例和标题
plt.title('Multi-Model Performance Comparison (Polar Bar Chart)', size=16, pad=20)
ax.legend(title='Models', loc='center left', bbox_to_anchor=(1.1, 0.5), fontsize=10)

plt.tight_layout()
plt.savefig('polar_bar_chart.png', dpi=300, bbox_inches='tight')
plt.show()

运行这段代码，你将得到一张专业的极坐标分组柱状图。每个指标方向上都有一组并排的柱子，分别代表不同模型在该指标上的得分。

6. 雷达图（蛛网图）绘制详解

雷达图更适合观察单个模型的“能力轮廓”以及比较不同模型轮廓的形状。

6.1 多模型雷达图 我们将所有模型的雷达图绘制在同一张图上，便于对比。

import matplotlib.pyplot as plt
import numpy as np

data = df_performance.values
models = df_performance.index.tolist()
metrics = df_performance.columns.tolist()

angles = np.linspace(0, 2 * np.pi, len(metrics), endpoint=False).tolist()
angles += angles[:1] # 闭合

fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(projection='polar'))

# 设置雷达图坐标
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)
ax.set_xticks(angles[:-1])
ax.set_xticklabels(metrics, fontsize=11)

# 设置半径网格
ax.set_ylim(0, 1.05)
ax.set_yticks([0.2, 0.4, 0.6, 0.8, 1.0])
ax.set_yticklabels(['0.2', '0.4', '0.6', '0.8', '1.0'], fontsize=9, color='dimgrey')
ax.grid(True, axis='both', linestyle='-', linewidth=0.5, alpha=0.7)

# 为每个模型绘制雷达图
colors = plt.cm.tab20c(np.linspace(0, 1, len(models)))
for idx, (model, color) in enumerate(zip(models, colors)):
    values = data[idx].tolist()
    values += values[:1]
    ax.plot(angles, values, 'o-', linewidth=1.5, markersize=4, label=model, color=color)
    ax.fill(angles, values, color=color, alpha=0.05) # 轻微填充，避免重叠遮挡

plt.title('Model Performance Radar Chart', size=15, pad=20)
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0), fontsize=9, ncol=2)

plt.tight_layout()
plt.savefig('radar_chart_multi.png', dpi=300, bbox_inches='tight')
plt.show()

6.2 分面雷达图（更清晰） 当模型较多时，线条重叠严重。我们可以选择为每个模型单独绘制子图，或者突出显示一两个关键模型。

# 选择两个模型进行重点对比
highlight_models = ['Model_A', 'Model_E']
highlight_idx = [models.index(m) for m in highlight_models]

fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(projection='polar'))
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)
ax.set_xticks(angles[:-1])
ax.set_xticklabels(metrics, fontsize=12)
ax.set_ylim(0, 1.05)
ax.set_yticks([0.2, 0.4, 0.6, 0.8, 1.0])
ax.set_yticklabels(['0.2', '0.4', '0.6', '0.8', '1.0'], fontsize=10)
ax.grid(True, linestyle='--', alpha=0.5)

# 绘制背景网格（所有模型的均值或范围，可选）
# mean_performance = data.mean(axis=0).tolist()
# mean_performance += mean_performance[:1]
# ax.plot(angles, mean_performance, 'k--', linewidth=1, alpha=0.5, label='Average')

# 高亮显示选定的模型
highlight_colors = ['#FF6B6B', '#4ECDC4'] # 红色和青绿色
for i, (model_idx, color) in enumerate(zip(highlight_idx, highlight_colors)):
    values = data[model_idx].tolist()
    values += values[:1]
    ax.plot(angles, values, 'o-', linewidth=3, markersize=8, label=models[model_idx], color=color, zorder=10)
    ax.fill(angles, values, color=color, alpha=0.15, zorder=5)

# 用浅灰色绘制其他模型作为背景
for idx, model in enumerate(models):
    if idx not in highlight_idx:
        values = data[idx].tolist()
        values += values[:1]
        ax.plot(angles, values, 'o-', linewidth=0.5, markersize=2, color='lightgrey', alpha=0.6)

plt.title('Performance Comparison: Model_A vs Model_E', size=16, pad=20)
ax.legend(loc='upper right', bbox_to_anchor=(1.25, 1.0), fontsize=11)

plt.tight_layout()
plt.savefig('radar_chart_highlight.png', dpi=300, bbox_inches='tight')
plt.show()

7. 样式自定义与期刊级优化

默认生成的图表可能离期刊要求还有距离。Matplotlib 提供了极其精细的控制选项。

7.1 字体与字号 期刊通常要求使用 Times New Roman 或 Arial 等字体，并指定字号。

import matplotlib.pyplot as plt
plt.rcParams.update({
    "font.family": "serif",        # 使用衬线字体，如 Times New Roman
    "font.serif": ["Times New Roman"],
    "font.size": 11,               # 全局字体大小
    "axes.titlesize": 14,          # 标题字体大小
    "axes.labelsize": 12,          # 坐标轴标签字体大小
    "xtick.labelsize": 11,         # X轴刻度标签大小
    "ytick.labelsize": 11,         # Y轴刻度标签大小
    "legend.fontsize": 10,         # 图例字体大小
    "figure.titlesize": 16         # 图形总标题大小
})
# 在创建图形和坐标轴后，可以进一步微调
# ax.set_xlabel('X Label', fontsize=12, fontname='Arial')
# ax.set_ylabel('Y Label', fontsize=12, fontname='Arial')

7.2 颜色方案 使用专业的配色方案，如 viridis , plasma , Set2 , Set3 , tab20c 。避免使用过于鲜艳或默认的颜色循环。

# 使用 Set3 色彩映射，适用于分类数据（模型）
colors = plt.cm.Set3(np.linspace(0, 1, num_models))
# 或者手动指定一组颜色
manual_colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd',
                 '#8c564b', '#e377c2', '#7f7f7f', '#bcbd22']

7.3 线型与标记点 调整雷达图线条和标记点的样式，使其在黑白印刷时也能区分。

# 绘制雷达图时
line_styles = ['-', '--', '-.', ':']
markers = ['o', 's', '^', 'D', 'v', '<', '>', 'p', '*']
for idx, model in enumerate(models):
    values = data[idx].tolist()
    values += values[:1]
    ax.plot(angles, values, 
            linestyle=line_styles[idx % len(line_styles)], 
            marker=markers[idx % len(markers)],
            linewidth=1.5, 
            markersize=5, 
            label=model)

7.4 导出高清图片 确保图片分辨率足够，并选择合适的格式。

plt.savefig('final_comparison.pdf', dpi=600, bbox_inches='tight', pad_inches=0.1) # 矢量图，适合投稿
plt.savefig('final_comparison.png', dpi=300, bbox_inches='tight') # 高清位图，用于预览

• PDF/EPS/SVG : 矢量格式，无限缩放不失真，是期刊投稿的首选。
• PNG/TIFF : 位图格式，需设置高DPI（通常300或600）。

8. 完整脚本与一键生成

将以上步骤整合，我们可以创建一个函数式脚本，方便重复使用。

"""
polar_bar_and_radar_plot.py
功能：生成机器学习模型性能对比的极坐标柱状图和雷达图
作者：根据需求自定义
"""

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pathlib import Path

def create_performance_comparison_plots(
    data_df, 
    output_dir='./output',
    figsize_polar=(12, 12),
    figsize_radar=(10, 10),
    dpi=300,
    highlight_models=None,
    color_map='Set3'
):
    """
    主函数：创建并保存极坐标柱状图和雷达图。

    参数:
        data_df (pd.DataFrame): 行索引为模型名，列名为指标名的性能数据框。
        output_dir (str): 输出图片的目录。
        figsize_polar (tuple): 极坐标柱状图的图形大小。
        figsize_radar (tuple): 雷达图的图形大小。
        dpi (int): 输出图片的分辨率。
        highlight_models (list): 需要在雷达图中高亮显示的模型名称列表。
        color_map (str): Matplotlib 色彩映射名称。
    """
    Path(output_dir).mkdir(parents=True, exist_ok=True)
    
    data = data_df.values
    models = data_df.index.tolist()
    metrics = data_df.columns.tolist()
    num_models = len(models)
    num_metrics = len(metrics)
    
    # ========== 1. 绘制极坐标分组柱状图 ==========
    print("正在生成极坐标柱状图...")
    angles_main = np.linspace(0, 2 * np.pi, num_metrics, endpoint=False)
    width = 2 * np.pi / (num_metrics * (num_models + 1))
    
    fig1, ax1 = plt.subplots(figsize=figsize_polar, subplot_kw=dict(projection='polar'))
    ax1.set_theta_offset(np.pi / 2)
    ax1.set_theta_direction(-1)
    
    colors = plt.cm.get_cmap(color_map)(np.linspace(0, 1, num_models))
    
    for model_idx, model in enumerate(models):
        offset = (model_idx - num_models / 2 + 0.5) * width
        angles = angles_main + offset
        values = data[model_idx]
        ax1.bar(angles, values, width=width*0.9, label=model, 
                color=colors[model_idx], edgecolor='black', linewidth=0.5, alpha=0.8)
    
    ax1.set_xticks(angles_main)
    ax1.set_xticklabels(metrics, fontsize=11)
    ax1.set_ylim(0, data.max() * 1.1) # 动态设置Y轴上限
    ax1.grid(True, axis='y', linestyle='--', alpha=0.5)
    ax1.legend(title='Models', loc='center left', bbox_to_anchor=(1.1, 0.5), fontsize=9)
    plt.title('Multi-Model Performance Comparison (Polar Bar Chart)', size=14, pad=20)
    plt.tight_layout()
    polar_bar_path = Path(output_dir) / 'polar_bar_chart.png'
    plt.savefig(polar_bar_path, dpi=dpi, bbox_inches='tight')
    plt.close(fig1)
    print(f"极坐标柱状图已保存至: {polar_bar_path}")
    
    # ========== 2. 绘制雷达图 ==========
    print("正在生成雷达图...")
    angles = np.linspace(0, 2 * np.pi, num_metrics, endpoint=False).tolist()
    angles += angles[:1]
    
    fig2, ax2 = plt.subplots(figsize=figsize_radar, subplot_kw=dict(projection='polar'))
    ax2.set_theta_offset(np.pi / 2)
    ax2.set_theta_direction(-1)
    ax2.set_xticks(angles[:-1])
    ax2.set_xticklabels(metrics, fontsize=11)
    ax2.set_ylim(0, data.max() * 1.1)
    ax2.grid(True, linestyle='--', alpha=0.5)
    
    # 绘制所有模型（浅色背景）
    for idx in range(num_models):
        values = data[idx].tolist()
        values += values[:1]
        ax2.plot(angles, values, 'o-', linewidth=0.8, markersize=3, color='lightgrey', alpha=0.6)
    
    # 高亮指定模型
    if highlight_models:
        highlight_idx = [models.index(m) for m in highlight_models if m in models]
        highlight_colors = plt.cm.tab10(np.linspace(0, 1, len(highlight_idx)))
        for i, (model_idx, color) in enumerate(zip(highlight_idx, highlight_colors)):
            values = data[model_idx].tolist()
            values += values[:1]
            ax2.plot(angles, values, 'o-', linewidth=2.5, markersize=6, 
                     label=models[model_idx], color=color, zorder=10)
            ax2.fill(angles, values, color=color, alpha=0.1, zorder=5)
        title_suffix = f' (Highlight: {", ".join(highlight_models)})'
    else:
        # 如果不指定高亮，则全部用彩色绘制
        colors_radar = plt.cm.get_cmap(color_map)(np.linspace(0, 1, num_models))
        for idx, (model, color) in enumerate(zip(models, colors_radar)):
            values = data[idx].tolist()
            values += values[:1]
            ax2.plot(angles, values, 'o-', linewidth=1.2, markersize=4, label=model, color=color)
        title_suffix = ''
    
    ax2.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0), fontsize=9)
    plt.title(f'Model Performance Radar Chart{title_suffix}', size=14, pad=20)
    plt.tight_layout()
    radar_path = Path(output_dir) / 'radar_chart.png'
    plt.savefig(radar_path, dpi=dpi, bbox_inches='tight')
    plt.close(fig2)
    print(f"雷达图已保存至: {radar_path}")
    print("所有图表生成完毕！")

# ========== 使用示例 ==========
if __name__ == '__main__':
    # 1. 准备数据（这里用模拟数据，实际应从文件读取）
    np.random.seed(123)
    model_names = [f'Model_{chr(65+i)}' for i in range(9)]
    metrics = ['Accuracy', 'Precision', 'Recall', 'F1', 'AUC', 'MCC', 'Specificity']
    data_matrix = np.random.uniform(low=0.75, high=0.98, size=(9, 7))
    df = pd.DataFrame(data_matrix, index=model_names, columns=metrics)
    
    # 2. 调用函数生成图表
    create_performance_comparison_plots(
        data_df=df,
        output_dir='./performance_plots',
        highlight_models=['Model_A', 'Model_D', 'Model_H'], # 可选：指定高亮模型
        color_map='Set2'
    )

这个脚本提供了完整的封装，你只需要准备好一个 DataFrame ，调用 create_performance_comparison_plots 函数，就可以在指定目录得到两张高质量的图表。

9. 常见问题与排查方法

10. 最佳实践与使用建议

1. 数据先行，图表后行 ：务必先确保你的评估数据准确、整洁。图表只是展示工具，垃圾数据进，垃圾图表出。
2. 先做减法，再做加法 ：初次绘制时，先用少量模型（如3-4个）和关键指标（5-7个）测试，确保图形逻辑正确、美观，再扩展到全部数据。
3. 适配输出媒介 ：
   • 论文投稿 ：使用矢量图（PDF/EPS），设置规范的字体（如Times New Roman），避免使用彩色作为唯一区分维度（考虑黑白印刷）。
   • 网页报告 ：使用PNG或SVG，可以更自由地使用彩色。
   • 幻灯片演示 ：确保字体足够大，在投影仪上清晰可读。
4. 注释与说明 ：在图表下方或旁边添加必要的说明，解释指标含义、模型缩写等。一张完全自解释的图表是最佳的。
5. 版本控制 ：将生成图表的Python脚本与数据一起进行版本控制（如Git），方便复现和修改。
6. 自动化流程 ：如果你的评估流程是固定的，可以将此绘图脚本集成到你的模型训练/评估流水线中，实现从结果到图表的自动生成。

这个工具链的核心价值在于将枯燥的数字矩阵转化为具有视觉冲击力和信息密度的专业图表。无论是为了在学术竞争中更清晰地展示成果，还是在工程决策中更直观地对比方案，掌握这种可视化技能都能让你的工作事半功倍。建议收藏本文的代码片段，在下次需要绘制模型性能对比图时，直接修改数据源和样式参数，快速生成属于你自己的期刊级图表。