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. 核心能力速览能力项说明核心功能绘制用于多模型、多指标性能对比的极坐标柱状图与雷达图输入数据二维数组或DataFrame行代表模型列代表评估指标主要图表极坐标柱状图 (用于展示绝对数值)、雷达图/蛛网图 (用于展示模型“轮廓”)编程语言Python核心依赖库Matplotlib, NumPy, Pandas (用于数据处理)硬件门槛无特殊要求普通电脑即可运行输出格式PNG, PDF, SVG 等矢量或高清位图适用场景学术论文插图、项目报告、算法性能对比展示特色优势一站式脚本、高度可定制颜色、字体、标签、半径、期刊图表风格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。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。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。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。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。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。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 python3.8 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/activate3. 必需Python库核心依赖只有三个通过pip即可安装。pip install matplotlib numpy pandasmatplotlib: 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 [fModel_{chr(65i)} 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(low0.70, high0.95, 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, indexmodel_names, columnsmetrics) 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。其核心逻辑如下导入库导入 matplotlib, numpy, pandas。加载数据从DataFrame或CSV文件加载评估矩阵。设置极坐标使用plt.subplot并设置projectionpolar来创建极坐标轴。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。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。美化图表设置角度刻度、半径刻度、标签、标题、图例、颜色等。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), endpointFalse).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_kwdict(projectionpolar)) # 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-, linewidth2, labelmodel) # 先画线雷达图雏形 ax.fill(angles, values, alpha0.25) # 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], colorgrey, size10) ax.set_ylim(0, 1.1) # 添加标题和图例 plt.title(Model Performance Comparison (Radar Chart), size15, y1.1) ax.legend(locupper 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, endpointFalse) # 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_kwdict(projectionpolar)) 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, widthwidth*0.9, labelmodel, colorcolors[model_idx], edgecolorblack, linewidth0.5) # 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}, # hacenter, vabottom, rotationrotation, rotation_modeanchor, fontsize8) # 设置角度刻度放在指标分组中间 ax.set_xticks(angles_main) ax.set_xticklabels(metrics, fontsize12) # 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], fontsize10) ax.grid(True, axisy, linestyle--, alpha0.7) # 添加图例和标题 plt.title(Multi-Model Performance Comparison (Polar Bar Chart), size16, pad20) ax.legend(titleModels, loccenter left, bbox_to_anchor(1.1, 0.5), fontsize10) plt.tight_layout() plt.savefig(polar_bar_chart.png, dpi300, bbox_inchestight) 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), endpointFalse).tolist() angles angles[:1] # 闭合 fig, ax plt.subplots(figsize(10, 10), subplot_kwdict(projectionpolar)) # 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, fontsize11) # 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], fontsize9, colordimgrey) ax.grid(True, axisboth, linestyle-, linewidth0.5, alpha0.7) # 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-, linewidth1.5, markersize4, labelmodel, colorcolor) ax.fill(angles, values, colorcolor, alpha0.05) # 轻微填充避免重叠遮挡 plt.title(Model Performance Radar Chart, size15, pad20) ax.legend(locupper right, bbox_to_anchor(1.3, 1.0), fontsize9, ncol2) plt.tight_layout() plt.savefig(radar_chart_multi.png, dpi300, bbox_inchestight) 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_kwdict(projectionpolar)) ax.set_theta_offset(np.pi / 2) ax.set_theta_direction(-1) ax.set_xticks(angles[:-1]) ax.set_xticklabels(metrics, fontsize12) 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], fontsize10) ax.grid(True, linestyle--, alpha0.5) # 绘制背景网格所有模型的均值或范围可选 # mean_performance data.mean(axis0).tolist() # mean_performance mean_performance[:1] # ax.plot(angles, mean_performance, k--, linewidth1, alpha0.5, labelAverage) # 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-, linewidth3, markersize8, labelmodels[model_idx], colorcolor, zorder10) ax.fill(angles, values, colorcolor, alpha0.15, zorder5) # 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-, linewidth0.5, markersize2, colorlightgrey, alpha0.6) plt.title(Performance Comparison: Model_A vs Model_E, size16, pad20) ax.legend(locupper right, bbox_to_anchor(1.25, 1.0), fontsize11) plt.tight_layout() plt.savefig(radar_chart_highlight.png, dpi300, bbox_inchestight) 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, fontsize12, fontnameArial) # ax.set_ylabel(Y Label, fontsize12, fontnameArial)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, linestyleline_styles[idx % len(line_styles)], markermarkers[idx % len(markers)], linewidth1.5, markersize5, labelmodel)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, dpi600, bbox_inchestight, pad_inches0.1) # 矢量图适合投稿 plt.savefig(final_comparison.png, dpi300, bbox_inchestight) # 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), dpi300, highlight_modelsNone, color_mapSet3 ): 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(parentsTrue, exist_okTrue) 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, endpointFalse) width 2 * np.pi / (num_metrics * (num_models 1)) fig1, ax1 plt.subplots(figsizefigsize_polar, subplot_kwdict(projectionpolar)) 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, widthwidth*0.9, labelmodel, colorcolors[model_idx], edgecolorblack, linewidth0.5, alpha0.8) ax1.set_xticks(angles_main) ax1.set_xticklabels(metrics, fontsize11) ax1.set_ylim(0, data.max() * 1.1) # 动态设置Y轴上限 ax1.grid(True, axisy, linestyle--, alpha0.5) ax1.legend(titleModels, loccenter left, bbox_to_anchor(1.1, 0.5), fontsize9) plt.title(Multi-Model Performance Comparison (Polar Bar Chart), size14, pad20) plt.tight_layout() polar_bar_path Path(output_dir) / polar_bar_chart.png plt.savefig(polar_bar_path, dpidpi, bbox_inchestight) 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, endpointFalse).tolist() angles angles[:1] fig2, ax2 plt.subplots(figsizefigsize_radar, subplot_kwdict(projectionpolar)) ax2.set_theta_offset(np.pi / 2) ax2.set_theta_direction(-1) ax2.set_xticks(angles[:-1]) ax2.set_xticklabels(metrics, fontsize11) ax2.set_ylim(0, data.max() * 1.1) ax2.grid(True, linestyle--, alpha0.5) # 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-, linewidth0.8, markersize3, colorlightgrey, alpha0.6) # 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-, linewidth2.5, markersize6, labelmodels[model_idx], colorcolor, zorder10) ax2.fill(angles, values, colorcolor, alpha0.1, zorder5) 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-, linewidth1.2, markersize4, labelmodel, colorcolor) title_suffix ax2.legend(locupper right, bbox_to_anchor(1.3, 1.0), fontsize9) plt.title(fModel Performance Radar Chart{title_suffix}, size14, pad20) plt.tight_layout() radar_path Path(output_dir) / radar_chart.png plt.savefig(radar_path, dpidpi, bbox_inchestight) 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 [fModel_{chr(65i)} for i in range(9)] metrics [Accuracy, Precision, Recall, F1, AUC, MCC, Specificity] data_matrix np.random.uniform(low0.75, high0.98, size(9, 7)) df pd.DataFrame(data_matrix, indexmodel_names, columnsmetrics) # 2. 调用函数生成图表 create_performance_comparison_plots( data_dfdf, output_dir./performance_plots, highlight_models[Model_A, Model_D, Model_H], # 可选指定高亮模型 color_mapSet2 )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问题现象可能原因排查方式解决方案导入matplotlib报错未安装matplotlib或环境冲突。在终端运行python -c import matplotlib; print(matplotlib.__version__)在虚拟环境中执行pip install matplotlib。图形显示为空白或错乱极坐标参数设置错误或数据未闭合。检查angles和values数组是否在绘制前正确添加了第一个元素以形成闭环。确保用于plot或fill的angles和values数组比指标数多一个元素首尾相同。标签重叠或显示不全图形区域太小或标签字体过大。调整figsize增大图形尺寸或减小fontsize。使用plt.tight_layout()并调整bbox_to_anchor将图例移到图形外部。保存的图片分辨率低保存时未设置dpi参数或设置过低。检查plt.savefig()中的dpi参数。将dpi设置为300或600并优先保存为PDF格式。颜色不区分或不好看使用了默认颜色循环或模型太多。检查color_map参数和模型数量。使用tab20c,Set3等色彩映射或手动指定一组区分度高的颜色。对于过多模型考虑分面绘制。雷达图形状很奇怪指标数值范围差异巨大或包含负值。打印数据df.describe()查看各指标范围。考虑对指标进行归一化如Min-Max Scaling到统一区间如[0,1]使雷达图可比。图例显示不全或覆盖图形图例位置不合适条目太多。调整ax.legend()的loc和bbox_to_anchor参数。将图例放在图形外部如右侧或使用ncol参数分多列显示。读取CSV数据失败文件路径错误编码问题或分隔符不对。使用pd.read_csv(file.csv, encodingutf-8)并检查错误信息。确保文件路径正确尝试encodinggbk或encodinglatin1用sep,指定分隔符。10. 最佳实践与使用建议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。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。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。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。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。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。