Hier is een complete oplossing voor je Seaborn visualisatie in het Nederlands: ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import numpy as np from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score, recall_score # Stel de gewenste stijl in sns.set_style("whitegrid") plt.rcParams['font.family'] = 'sans-serif' plt.rcParams['font.sans-serif'] = ['Arial', 'DejaVu Sans'] # Strak lettertype # Laad je dataset (vervang 'jouw_dataset.csv' met je eigen bestand) # df = pd.read_csv('jouw_dataset.csv') # Voorbeeld: splitsing in features en target (pas aan naar je eigen dataset) # X = df.drop('kredietwaardigheid', axis=1) # y = df['kredietwaardigheid'] # Train-test split (voorbeeld) # X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # Initialiseer modellen modellen = { 'Decision Tree': DecisionTreeClassifier(), 'K-Nearest Neighbors': KNeighborsClassifier(), 'Naive Bayes': GaussianNB() } # Resultaten verzamelen resultaten = [] # Train en evalueer modellen (voorbeeld - vervang met je eigen data) for naam, model in modellen.items(): # model.fit(X_train, y_train) # y_pred = model.predict(X_test) # Voor demonstratie: random scores (vervang met echte resultaten) nauwkeurigheid = np.random.uniform(0.7, 0.9) recall = np.random.uniform(0.6, 0.85) resultaten.append({ 'Model': naam, 'Nauwkeurigheid': nauwkeurigheid, 'Recall': recall }) # Maak DataFrame van resultaten df_resultaten = pd.DataFrame(resultaten) # Smelt DataFrame voor Seaborn df_melted = df_resultaten.melt(id_vars=['Model'], var_name='Metric', value_name='Score') # Creëer de visualisatie fig, ax = plt.subplots(figsize=(12, 8)) # Barplot met blauw en oranje kleuren palette = {'Nauwkeurigheid': '#1f77b4', 'Recall': '#ff7f0e'} # Blauw en oranje bars = sns.barplot(data=df_melted, x='Model', y='Score', hue='Metric', palette=palette, ax=ax, alpha=0.8) # Extra annotaties: gemiddelde waarden for i, model in enumerate(df_resultaten['Model']): avg_acc = df_resultaten[df_resultaten['Model'] == model]['Nauwkeurigheid'].values[0] avg_rec = df_resultaten[df_resultaten['Model'] == model]['Recall'].values[0] ax.text(i - 0.2, avg_acc + 0.01, f'{avg_acc:.3f}', ha='center', va='bottom', fontweight='bold') ax.text(i + 0.2, avg_rec + 0.01, f'{avg_rec:.3f}', ha='center', va='bottom', fontweight='bold') # Stel labels en titel in ax.set_title('Vergelijking Machine Learning Modellen Prestaties\nKredietwaardigheid Voorspelling', fontsize=16, fontweight='bold', pad=20) ax.set_xlabel('Model', fontsize=12, fontweight='bold') ax.set_ylabel('Score', fontsize=12, fontweight='bold') ax.set_ylim(0, 1) # Verbeter de legenda ax.legend(title='Metriek', title_fontsize=12, fontsize=11, loc='upper right', frameon=True) # Voeg rasterlijnen toe voor betere leesbaarheid ax.yaxis.grid(True, linestyle='--', alpha=0.7) # Verwijder randen sns.despine() # Toon de plot plt.tight_layout() plt.show() # Optioneel: toon ook een tabel met de resultaten print("\nPrestatieoverzicht:") print(df_resultaten.to_string(index=False)) ``` **Belangrijke aanpassingen die je moet maken:** 1. **Laad je eigen dataset**: Verwijder de commentaartekens bij het laden van je dataset 2. **Pas de kolomnamen aan**: Zorg dat 'kredietwaardigheid' overeenkomt met je target variabele 3. **Vervang de random scores**: Verwijder de random scores en gebruik je echte modelresultaten **Extra opties die je kunt toevoegen:** ```python # Voor betrouwbaarheidsintervallen (als je cross-validation gebruikt): # voeg error bars toe met de std_dev van je metrics # Voor een andere visualisatiestijl: sns.catplot(data=df_melted, x='Model', y='Score', hue='Metric', kind='point', palette=palette, height=6, aspect=1.5) ``` De visualisatie toont beide metrics naast elkaar per model, met duidelijke annotaties van de scores en gebruikt het gevraagde blauw-oranje kleurenschema met een strakke opmaak.