开发笔记:关于等高线绘制和全平面坐标节点生成

1 from matplotlib.colors import ListedColormap
2 from pprint import pprint
3 def plot_decision_boundary(clf, X, y, axes=[0, 7.5, 0, 3], iris=True,
4 legend=False, plot_training=True):
5 # python经典的生成全面点的实现
6 x1s = np.linspace(axes[0], axes[1], 100)
7 x2s = np.linspace(axes[2], axes[3], 100)
8 x1, x2 = np.meshgrid(x1s, x2s)
9 X_new = np.c_[x1.ravel(), x2.ravel()] # 所有的点生成,本身是一个二维数组
10 # 预测种类，clf.repdict(X_new)其实是一个行向量(X_new每个二元坐标组将会对应一个分类，所以X_new是二维，但是y_pred是一维），
11 # reshape就是要转换成和X1相对应的形式，x1是（100， 100）的二维数组；但是，问题是为什么要reshape一下？因为在下面的等高线绘制
12 # 的内部处理中，将会生成一个（100， 100）的点集，然后根据类型进行等高线着色，那么根据每个点集的索引（比如[0][1]）找到对应的
13 # 分类进行，然后决定着色种类，所以y_pred需要进行reshape为二维数组。
14 y_pred = clf.predict(X_new).reshape(x1.shape)
15
16
17 print("len(x1):{},x1.size:{}".format(len(x1), x1.size))
18 pprint(x1)
19 print("len(x2):{},x2.size:{}".format(len(x2), x2.size))
20 pprint(x2)
21 print("len(X_new): {}; X_new.size: {}".format(len(X_new), X_new.size))
22 pprint(X_new)
23 tmp = clf.predict(X_new)
24 print("len(ctrl.predict(X_new)): {}; ctrl.predict(X_new).size: {}".format(len(tmp), tmp.size))
25 pprint(tmp)
26 pprint("x1.shape:")
27 pprint(x1.shape)
28 tmp2 = tmp.reshape(x1.shape)
29 print("len(ctrl.predict(tmp2.reshape)): {}; ctrl.predict(tmp2.reshape).size: {}".format(len(tmp2),
30 tmp2.size))
31 pprint(tmp2)
32
33
34
35
36
37 custom_cmap = ListedColormap([‘#fafab0‘,‘#9898ff‘,‘#a0faa0‘])
38 plt.contourf(x1, x2, y_pred, alpha=0.3, cmap=custom_cmap, lineyo", label="Iris-Setosa")
45 plt.plot(X[:, 0][y==1], X[:, 1][y==1], "bs", label="Iris-Versicolour")
46 plt.plot(X[:, 0][y==2], X[:, 1][y==2], "g^", label="Iris-Virginica")
47 plt.axis(axes)
48 if iris:
49 plt.xlabel("Petal length", fOntsize=14)
50 plt.ylabel("Petal width", fOntsize=14)
51 else:
52 plt.xlabel(r"$x_1$", fOntsize=18)
53 plt.ylabel(r"$x_2$", fOntsize=18, rotation=0)
54 if legend:
55 plt.legend(loc="lower right", fOntsize=14)
56
57 plt.figure(figsize=(11, 4))
58 plot_decision_boundary(tree_clf, X, y)
59 plt.plot([2.45, 2.45], [0, 3], "k-", linek--", linek:", linek:", lineDepth=0", fOntsize=15)
64 plt.text(3.2, 1.80, "Depth=1", fOntsize=13)
65 plt.text(4.05, 0.5, "(Depth=2)", fOntsize=11)
66
67 # save_fig("decision_tree_decision_boundaries_plot")
68 plt.show()