如何在Python中为机器学习模型绘制散点图上的回归直线？

首先先修正你代码里的一个明显错误：train_test_split的返回值写错了，最后一个应该是y_test，不是重复的y_train。

接下来按以下步骤操作就能画出你要的回归直线：

• 第一步：修正数据划分并完成模型训练
  先把数据划分的代码改对，然后单独训练模型，方便后续调用：

  from sklearn.ensemble import GradientBoostingRegressor
  from sklearn.model_selection import train_test_split
  import matplotlib.pyplot as plt
  
  # 修正返回值错误
  X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.25, random_state=42)
  # 实例化并训练模型
  model = GradientBoostingRegressor()
  model.fit(X_train, y_train)
  # 获取训练集和测试集的预测结果
  y_train_pred = model.predict(X_train)
  y_test_pred = model.predict(X_test)
  

• 第二步：绘制散点图与回归拟合线
  从你的散点图来看是单特征回归（两个变量的关系），可以先把特征按顺序排序，让拟合线更平滑：

  # 对训练集特征排序，保证拟合线连贯
  sorted_indices = X_train.flatten().argsort()
  X_train_sorted = X_train.flatten()[sorted_indices]
  y_train_pred_sorted = y_train_pred[sorted_indices]
  
  # 绘制原始散点图（训练集+测试集）
  plt.scatter(X_train, y_train, label='训练集数据', alpha=0.6)
  plt.scatter(X_test, y_test, label='测试集数据', alpha=0.6)
  
  # 绘制拟合直线
  plt.plot(X_train_sorted, y_train_pred_sorted, color='red', linewidth=2, label='回归拟合线')
  
  # 添加图例和标签
  plt.xlabel('特征变量')
  plt.ylabel('目标变量')
  plt.legend()
  plt.show()
  

说明：如果你的features已经是一维数组，直接用X_train.argsort()替代X_train.flatten().argsort()即可。

内容的提问来源于stack exchange，提问作者mArk