小明：最近我在学习数据可视化，感觉它特别有用，但不太清楚怎么和人工智能结合起来。你有这方面的经验吗？
小李：当然有！其实数据可视化和人工智能是相辅相成的。你可以用数据可视化来理解你的数据，然后用人工智能进行预测或分类。我来给你举个例子吧。
小明：太好了！那你能给我演示一下吗？比如用Python做点什么。
小李：没问题。我们先从一个简单的例子开始，假设我们要分析一个销售数据集，然后用线性回归模型预测销售额。
小明：听起来不错。那我们需要哪些库呢？
小李：首先需要pandas来处理数据，matplotlib和seaborn用于可视化，scikit-learn用于构建模型。
小明：好的，那我们可以先加载数据看看。
小李：对，下面是代码示例：
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression
# 加载数据
df = pd.read_csv('sales_data.csv')
# 查看前几行数据
print(df.head())
小明：看起来数据包括日期、销售额和广告支出。那我们怎么画图呢？
小李：我们可以用seaborn画出广告支出和销售额之间的关系图。
小明：那代码是怎样的？
小李：如下：
sns.scatterplot(x='广告支出', y='销售额', data=df)
plt.title('广告支出 vs 销售额')
plt.show()
小明：这样就能看到趋势了。那接下来怎么用人工智能来做预测呢？
小李：我们可以用线性回归模型，把广告支出作为特征，销售额作为目标变量。
小明：那具体步骤是怎样的？
小李：首先，我们分割数据为训练集和测试集，然后训练模型，最后进行预测。
小明：那代码呢？
小李：以下是完整的代码示例：
from sklearn.model_selection import train_test_split
# 特征和标签
X = df[['广告支出']]
y = df['销售额']
# 分割数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建模型并训练
model = LinearRegression()
model.fit(X_train, y_train)
# 预测
predictions = model.predict(X_test)
# 可视化结果
plt.scatter(X_test, y_test, color='blue', label='实际值')
plt.plot(X_test, predictions, color='red', label='预测值')
plt.title('广告支出 vs 销售额（预测）')
plt.legend()
plt.show()
小明：哇，这样就能看到预测和实际值的对比了。那这个模型准确吗？
小李：我们可以计算误差指标，比如均方误差（MSE）或者R2分数。
小明：那怎么计算呢？
小李：下面是一个简单的代码示例：
from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, predictions)
r2 = r2_score(y_test, predictions)
print(f'均方误差: {mse}')
print(f'R2 分数: {r2}')
小明：明白了。那如果我想用更复杂的模型呢？比如随机森林或者神经网络？
小李：当然可以！这些模型通常能提供更好的预测效果。我们可以尝试用随机森林。
小明：那代码应该怎么改呢？
小李：只需要替换模型部分，其他不变。下面是示例代码：
from sklearn.ensemble import RandomForestRegressor
# 创建随机森林模型
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# 预测
predictions = model.predict(X_test)
# 可视化
plt.scatter(X_test, y_test, color='blue', label='实际值')
plt.plot(X_test, predictions, color='green', label='预测值')
plt.title('广告支出 vs 销售额（随机森林预测）')
plt.legend()
plt.show()
小明：这样就完成了。那是不是还可以用更高级的可视化方法，比如热力图或者3D图表？
小李：是的，我们可以用seaborn的热力图来查看特征之间的相关性，或者用matplotlib的3D绘图功能。
小明：那热力图的例子是什么？
小李：如下：
corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('特征相关性热力图')
plt.show()
小明：这样就能看到各个特征之间的相关性了。那3D图表呢？
小李：我们可以用matplotlib的mplot3d工具，比如绘制广告支出、库存和销售额的关系。
小明：那代码是怎样的？
小李：下面是一个简单的3D散点图示例：
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(df['广告支出'], df['库存'], df['销售额'])
ax.set_xlabel('广告支出')
ax.set_ylabel('库存')
ax.set_zlabel('销售额')
plt.title('3D 散点图：广告支出、库存与销售额')
plt.show()
小明：太棒了！这样就能更全面地理解数据了。那是不是还可以用深度学习模型，比如神经网络？
小李：是的，如果你的数据量足够大，可以用Keras或者PyTorch构建神经网络模型。
小明：那能给我一个简单的例子吗？
小李：当然可以。以下是一个使用Keras的简单神经网络示例：
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 构建模型
model = Sequential([
Dense(64, activation='relu', input_shape=(1,)),
Dense(64, activation='relu'),
Dense(1)
])
# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')
# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.1)
# 预测
predictions = model.predict(X_test)
# 可视化
plt.scatter(X_test, y_test, color='blue', label='实际值')
plt.scatter(X_test, predictions, color='orange', label='预测值')
plt.title('广告支出 vs 销售额（神经网络预测）')
plt.legend()
plt.show()
小明：看来AI的应用范围真的很广，而且和数据可视化结合后更加直观。
小李：没错。数据可视化帮助我们理解数据，而人工智能则让我们能够从数据中提取价值。两者结合，可以提升数据分析的效率和准确性。
小明：谢谢你的讲解，我现在对这两者有了更深的理解。
小李：不客气！如果你有兴趣，我们可以一起做一个更复杂的项目，比如预测股票价格或者用户行为分析。
小明：太好了！我很期待！