Een goede keuze voor het vergelijken van de prestaties van verschillende algoritmen is een horizontale staafdiagram (bar chart). Hiermee kun je gemakkelijk de prestaties naast elkaar zetten en vergelijken. Hieronder vind je Python-code die een dergelijke visualisatie genereert, met alle staven in groen, duidelijke labels en een legenda. ```python import matplotlib.pyplot as plt # Voorbeeldgegevens: vervang deze door jouw werkelijke prestatiecijfers algoritmen = ['Decision Tree', 'Random Forest', 'SVM'] prestaties = [0.75, 0.85, 0.80] # bijvoorbeeld R-squared of nauwkeurigheid # Aantal algoritmen n = len(algoritmen) # Posities voor de staven posities = range(n) plt.figure(figsize=(8, 6)) # Plot staven in groen plt.barh(posities, prestaties, color='green', edgecolor='black') # Voeg labels toe plt.yticks(posities, algoritmen) plt.xlabel('Prestaties (bijv. nauwkeurigheid)') plt.title('Vergelijking van Algoritme Prestaties') # Voeg een legenda toe (optioneel, als je extra info wilt) # In dit geval is de kleur consistent, dus een legenda is niet strikt noodzakelijk # Maar als je wilt, kun je een extra label toevoegen plt.legend(['Model prestaties'], loc='lower right') plt.tight_layout() plt.show() ``` **Aanpassingen:** - Vervang de lijst `prestaties` door jouw daadwerkelijke prestatiescores. - Pas de x-as label aan afhankelijk van welke metriek je gebruikt (bijvoorbeeld nauwkeurigheid, RMSE, etc.). - Eventueel kun je de kleuren en stijlen verder aanpassen voor je gewenste uitstraling.

Hier is een geschikte visualisatie met bijbehorende Python-code om de prestaties van Decision Tree, Random Forest en SVM te vergelijken op maandelijkse verkoopcijfers: ```python import matplotlib.pyplot as plt import numpy as np from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.svm import SVR from sklearn.metrics import mean_squared_error, r2_score import pandas as pd # Voorbeeld dataset (vervang dit met je eigen data) # Annahme: je hebt een DataFrame 'sales_data' met features en maandelijkse verkopen np.random.seed(42) maanden = ['Jan', 'Feb', 'Mrt', 'Apr', 'Mei', 'Jun', 'Jul', 'Aug', 'Sep', 'Okt', 'Nov', 'Dec'] verkopen = np.random.randint(1000, 5000, size=12) features = np.random.randn(12, 3) # 3 voorbeeld-features # Split data (pas aan naar je werkelijke dataset) X_train, X_test, y_train, y_test = train_test_split( features, verkopen, test_size=0.3, random_state=42 ) # Train modellen dt = DecisionTreeRegressor(random_state=42) rf = RandomForestRegressor(random_state=42) svm = SVR() dt.fit(X_train, y_train) rf.fit(X_train, y_train) svm.fit(X_train, y_train) # Voorspellingen y_pred_dt = dt.predict(X_test) y_pred_rf = rf.predict(X_test) y_pred_svm = svm.predict(X_test) # Prestatiemetrics mse_dt = mean_squared_error(y_test, y_pred_dt) mse_rf = mean_squared_error(y_test, y_pred_rf) mse_svm = mean_squared_error(y_test, y_pred_svm) r2_dt = r2_score(y_test, y_pred_dt) r2_rf = r2_score(y_test, y_pred_rf) r2_svm = r2_score(y_test, y_pred_svm) # Visualisatie algoritmen = ['Decision Tree', 'Random Forest', 'SVM'] mse_scores = [mse_dt, mse_rf, mse_svm] r2_scores = [r2_dt, r2_rf, r2_svm] # Maak subplots fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6)) # MSE bar plot bars1 = ax1.bar(algoritmen, mse_scores, color=['#2E8B57', '#2E8B57', '#2E8B57'], alpha=0.7) ax1.set_title('Gemiddelde Kwadratische Fout (MSE)\nvan Algoritmen', fontsize=14, fontweight='bold') ax1.set_ylabel('MSE Score', fontsize=12) ax1.grid(axis='y', alpha=0.3) # R² bar plot bars2 = ax2.bar(algoritmen, r2_scores, color=['#2E8B57', '#2E8B57', '#2E8B57'], alpha=0.7) ax2.set_title('R² Score van Algoritmen', fontsize=14, fontweight='bold') ax2.set_ylabel('R² Score', fontsize=12) ax2.grid(axis='y', alpha=0.3) # Waarden toevoegen boven de staven for bar in bars1: height = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2., height + 0.01, f'{height:.2f}', ha='center', va='bottom', fontweight='bold') for bar in bars2: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height + 0.01, f'{height:.2f}', ha='center', va='bottom', fontweight='bold') # Legenda toevoegen ax1.legend(['MSE Scores'], loc='upper right') ax2.legend(['R² Scores'], loc='upper right') plt.tight_layout() plt.show() # Extra: Gedetailleerde prestatievergelijking print("Prestatievergelijking:") print(f"Decision Tree - MSE: {mse_dt:.2f}, R²: {r2_dt:.2f}") print(f"Random Forest - MSE: {mse_rf:.2f}, R²: {r2_rf:.2f}") print(f"SVM - MSE: {mse_svm:.2f}, R²: {r2_svm:.2f}") ``` **Aanpassingen en verklaring:** 1. **Kleuren**: Alle staven zijn groen (#2E8B57 - zeegroen) zoals gevraagd 2. **Labels**: Duidelijke titels en as-labels in het Nederlands 3. **Legenda**: Toegevoegd voor beide subplots 4. **Visualisatie**: - Linker plot: MSE (Gemiddelde Kwadratische Fout) - lager is beter - Rechter plot: R² Score - hoger is beter (dichter bij 1.0) 5. **Waarden**: Numerieke scores boven elke staaf voor directe vergelijking **Opmerkingen voor gebruik:** - Vervang de voorbeelddata met je werkelijke maandelijkse verkoopcijfers - Pas de features aan naar je werkelijke dataset - Je kunt de kleurtint aanpassen door andere groene hex-codes te gebruiken - De visualisatie toont zowel MSE als R² voor een compleet prestatiebeeld Deze side-by-side vergelijking maakt het direct duidelijk welk algoritme het beste presteert op je verkoopdata.