Een geschikte grafiek voor het vergelijken van de prestatie-indicatoren (Precisie en Recall) van verschillende modellen is een grouped bar chart (gegroepeerde staafdiagram). Hiermee kunnen de verschillende modellen naast elkaar worden weergegeven voor elke metric, waardoor de vergelijking duidelijk wordt. Hier is een voorbeeld van Python-code die een dergelijke grafiek maakt met Matplotlib en Seaborn, inclusief opties om kleuren, labels en stijlen aan te passen: ```python import matplotlib.pyplot as plt import numpy as np # Voorbeeldgegevens modellen = ['Lineaire regressie', 'Beslissingsboom', 'Random Forest'] precisie = [0.85, 0.90, 0.95] # vervang door je echte data recall = [0.80, 0.88, 0.92] # vervang door je echte data # Instellingen voor de plot breedte = 0.35 # breedte van de staven x = np.arange(len(modellen)) # Kleuren aanpassen kleur_precisie = '#1f77b4' # blauw kleur_recall = '#ff7f0e' # oranje fig, ax = plt.subplots(figsize=(10, 6)) # Staven tekenen bars_precisie = ax.bar(x - breedte/2, precisie, breedte, label='Precisie', color=kleur_precisie) bars_recall = ax.bar(x + breedte/2, recall, breedte, label='Recall', color=kleur_recall) # Labels en titel aanpassen ax.set_xlabel('Modellen', fontsize=14) ax.set_ylabel('Score', fontsize=14) ax.set_title('Vergelijking van Prestatie-indicatoren per Model', fontsize=16) ax.set_xticks(x) ax.set_xticklabels(modellen, rotation=15, ha='right') # Legenda toevoegen ax.legend() # Optioneel: waardes boven de staven tonen for rect in bars_precisie + bars_recall: height = rect.get_height() ax.annotate(f'{height:.2f}', xy=(rect.get_x() + rect.get_width() / 2, height), xytext=(0, 3), textcoords='offset points', ha='center', va='bottom', fontsize=10) # Stijl aanpassen (optioneel) plt.style.use('ggplot') plt.tight_layout() plt.show() ``` **Aanpassingen:** - Vervang de lijsten `precisie` en `recall` door je eigen gemeten waarden. - Pas de kleuren aan door de hex-codes te wijzigen. - Je kunt de labels verder aanpassen in de `set_xlabel`, `set_ylabel` en `set_title` functies. - Voor meer stijlaanpassingen kun je de `plt.style.use()` aanpassen of andere styling-opties toevoegen. Deze code geeft je een overzichtelijke vergelijking van de twee metrics per model in één grafiek.

Voor het vergelijken van prestatie-indicatoren (Precisie en Recall) van Lineaire Regressie, Beslissingsboom en Random Forest op de Iris dataset is een **gestapelde staafdiagram** of **groepstaafdiagram** het meest geschikt. Hieronder vind je Python-code die deze vergelijking duidelijk weergeeft met aanpasbare kleuren, labels en stijlen. ```python import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import precision_score, recall_score from sklearn.preprocessing import StandardScaler # Laad de Iris dataset iris = load_iris() X, y = iris.data, iris.target # Veronderstel binaire classificatie voor duidelijkheid (bijv. klasse 0 vs rest) # Voor multi-class zouden we macro/micro gemiddelden kunnen gebruiken y_binary = (y == 0).astype(int) # Split de dataset X_train, X_test, y_train, y_test = train_test_split(X, y_binary, test_size=0.3, random_state=42) # Standardiseer features voor lineaire regressie scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # Initialiseer modellen models = { 'Lineaire Regressie': LogisticRegression(), 'Beslissingsboom': DecisionTreeClassifier(), 'Random Forest': RandomForestClassifier() } # Train modellen en verzamel metrics results = {} for name, model in models.items(): if name == 'Lineaire Regressie': model.fit(X_train_scaled, y_train) y_pred = model.predict(X_test_scaled) else: model.fit(X_train, y_train) y_pred = model.predict(X_test) precision = precision_score(y_test, y_pred, zero_division=0) recall = recall_score(y_test, y_pred, zero_division=0) results[name] = {'Precisie': precision, 'Recall': recall} # Visualisatie met aanpasbare opties def visualize_metrics(results, kleuren=None, labels=None, stijl='default'): """ Visualiseer Precisie en Recall voor verschillende modellen Parameters: results - Dictionary met modelresultaten kleuren - Lijst met kleuren voor Precisie en Recall [optioneel] labels - Aangepaste labels voor de metriek [optioneel] stijl - Matplotlib stijl (bijv. 'default', 'seaborn', 'ggplot') """ # Stel stijl in plt.style.use(stijl) # Standaard kleuren indien niet opgegeven if kleuren is None: kleuren = ['#2E86AB', '#A23B72'] # Blauw voor Precisie, Roze voor Recall # Standaard labels indien niet opgegeven if labels is None: labels = ['Precisie', 'Recall'] model_namen = list(results.keys()) precisie_waarden = [results[model]['Precisie'] for model in model_namen] recall_waarden = [results[model]['Recall'] for model in model_namen] x_pos = np.arange(len(model_namen)) breedte = 0.35 fig, ax = plt.subplots(figsize=(10, 6)) # Maak staafdiagrammen bars1 = ax.bar(x_pos - breedte/2, precisie_waarden, breedte, label=labels[0], color=kleuren[0], alpha=0.8) bars2 = ax.bar(x_pos + breedte/2, recall_waarden, breedte, label=labels[1], color=kleuren[1], alpha=0.8) # Pas labels en titel aan ax.set_xlabel('Classificatie Modellen', fontsize=12, fontweight='bold') ax.set_ylabel('Score Waarde', fontsize=12, fontweight='bold') ax.set_title('Vergelijking Precisie en Recall voor Verschillende Modellen\n(Iris Dataset)', fontsize=14, fontweight='bold') ax.set_xticks(x_pos) ax.set_xticklabels(model_namen) ax.legend() ax.grid(True, alpha=0.3) # Voeg waarden toe boven de staven def autolabel(bars): for bar in bars: height = bar.get_height() ax.annotate(f'{height:.3f}', xy=(bar.get_x() + bar.get_width() / 2, height), xytext=(0, 3), textcoords="offset points", ha='center', va='bottom', fontweight='bold') autolabel(bars1) autolabel(bars2) plt.tight_layout() plt.show() # Gebruik de visualisatiefunctie met standaard instellingen print("Standaard visualisatie:") visualize_metrics(results) # Aangepaste visualisatie met verschillende kleuren en labels print("\nAangepaste visualisatie:") aangepaste_kleuren = ['#1F77B4', '#FF7F0E'] # Blauw en oranje aangepaste_labels = ['Nauwkeurigheid', 'Volledigheid'] visualize_metrics( results, kleuren=aangepaste_kleuren, labels=aangepaste_labels, stijl='seaborn' # Andere opties: 'ggplot', 'fivethirtyeight', 'dark_background' ) # Alternatieve visualisatie: Gestapelde staafdiagram def visualize_gestapeld(results, kleuren=None, stijl='default'): """ Gestapelde staafdiagram voor totaaloverzicht """ plt.style.use(stijl) if kleuren is None: kleuren = ['#2E86AB', '#A23B72'] model_namen = list(results.keys()) precisie_waarden = [results[model]['Precisie'] for model in model_namen] recall_waarden = [results[model]['Recall'] for model in model_namen] fig, ax = plt.subplots(figsize=(10, 6)) ax.bar(model_namen, precisie_waarden, label='Precisie', color=kleuren[0]) ax.bar(model_namen, recall_waarden, bottom=precisie_waarden, label='Recall', color=kleuren[1]) ax.set_ylabel('Score Waarde') ax.set_title('Gestapelde Precisie en Recall Vergelijking') ax.legend() plt.xticks(rotation=45) plt.tight_layout() plt.show() print("\nGestapelde visualisatie:") visualize_gestapeld(results, kleuren=aangepaste_kleuren) ``` **Belangrijke kenmerken van deze code:** 1. **Flexibele visualisatie**: Twee soorten diagrammen (groepsgewijs en gestapeld) 2. **Aanpasbare kleuren**: Pas kleuren aan via de `kleuren` parameter 3. **Aanpasbare labels**: Verander metriek-namen via `labels` 4. **Stijl opties**: Verschillende matplotlib stijlen beschikbaar 5. **Duidelijke annotatie**: Waarden worden boven de staven getoond **Aanbevelingen voor gebruik:** - Gebruik de groepsgeweiste staafdiagram voor directe vergelijking - Gebruik gestapelde staafdiagram voor totaaloverzicht - Experimenteer met verschillende kleurencombinaties voor betere leesbaarheid - Pas de stijl aan naar jouw voorkeuren of huisstijl De code is modulair opgebouwd zodat je eenvoudig aanpassingen kunt maken aan kleuren, labels en stijlen volgens jouw specifieke behoeften.