热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

开发笔记:关于等高线绘制和全平面坐标节点生成

本文由编程笔记#小编为大家整理,主要介绍了关于等高线绘制和全平面坐标节点生成相关的知识,希望对你有一定的参考价值。要明白机器学习画图的一个思路,就是全局生成坐标节点,然后让
本文由编程笔记#小编为大家整理,主要介绍了关于等高线绘制和全平面坐标节点生成相关的知识,希望对你有一定的参考价值。


  要明白机器学习画图的一个思路,就是全局生成坐标节点,然后让模型进行学习,这样可以得到一个全局的效果图(比如等高线),然后再把指定的数据扔到模型中让其学习,获取分类,然后再把这些局部点绘制出来,和整体的效果图进行比较,将会发现非常吻合。

  


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()

 

输出内容:

len(x1):100,x1.size:10000
array([[0. , 0.07575758, 0.15151515, ..., 7.34848485, 7.42424242,
7.5 ],
[0. , 0.07575758, 0.15151515, ..., 7.34848485, 7.42424242,
7.5 ],
[0. , 0.07575758, 0.15151515, ..., 7.34848485, 7.42424242,
7.5 ],
...,
[0. , 0.07575758, 0.15151515, ..., 7.34848485, 7.42424242,
7.5 ],
[0. , 0.07575758, 0.15151515, ..., 7.34848485, 7.42424242,
7.5 ],
[0. , 0.07575758, 0.15151515, ..., 7.34848485, 7.42424242,
7.5 ]])
len(x2):100,x2.size:10000
array([[0. , 0. , 0. , ..., 0. , 0. ,
0. ],
[0.03030303, 0.03030303, 0.03030303, ..., 0.03030303, 0.03030303,
0.03030303],
[0.06060606, 0.06060606, 0.06060606, ..., 0.06060606, 0.06060606,
0.06060606],
...,
[2.93939394, 2.93939394, 2.93939394, ..., 2.93939394, 2.93939394,
2.93939394],
[2.96969697, 2.96969697, 2.96969697, ..., 2.96969697, 2.96969697,
2.96969697],
[3. , 3. , 3. , ..., 3. , 3. ,
3. ]])
len(X_new): 10000; X_new.size: 20000
array([[0. , 0. ],
[0.07575758, 0. ],
[0.15151515, 0. ],
...,
[7.34848485, 3. ],
[7.42424242, 3. ],
[7.5 , 3. ]])
len(ctrl.predict(X_new)): 10000; ctrl.predict(X_new).size: 10000
array([0, 0, 0, ..., 2, 2, 2])
u‘x1.shape:‘
(100L, 100L)
len(ctrl.predict(tmp2.reshape)): 100; ctrl.predict(tmp2.reshape).size: 10000
array([[0, 0, 0, ..., 1, 1, 1],
[0, 0, 0, ..., 1, 1, 1],
[0, 0, 0, ..., 1, 1, 1],
...,
[0, 0, 0, ..., 2, 2, 2],
[0, 0, 0, ..., 2, 2, 2],
[0, 0, 0, ..., 2, 2, 2]])

技术分享图片

 

  

 


推荐阅读
  • Python 异步编程:深入理解 asyncio 库(上)
    本文介绍了 Python 3.4 版本引入的标准库 asyncio,该库为异步 IO 提供了强大的支持。我们将探讨为什么需要 asyncio,以及它如何简化并发编程的复杂性,并详细介绍其核心概念和使用方法。 ... [详细]
  • 本文将介绍如何编写一些有趣的VBScript脚本,这些脚本可以在朋友之间进行无害的恶作剧。通过简单的代码示例,帮助您了解VBScript的基本语法和功能。 ... [详细]
  • 技术分享:从动态网站提取站点密钥的解决方案
    本文探讨了如何从动态网站中提取站点密钥,特别是针对验证码(reCAPTCHA)的处理方法。通过结合Selenium和requests库,提供了详细的代码示例和优化建议。 ... [详细]
  • python的交互模式怎么输出名文汉字[python常见问题]
    在命令行模式下敲命令python,就看到类似如下的一堆文本输出,然后就进入到Python交互模式,它的提示符是>>>,此时我们可以使用print() ... [详细]
  • 数据管理权威指南:《DAMA-DMBOK2 数据管理知识体系》
    本书提供了全面的数据管理职能、术语和最佳实践方法的标准行业解释,构建了数据管理的总体框架,为数据管理的发展奠定了坚实的理论基础。适合各类数据管理专业人士和相关领域的从业人员。 ... [详细]
  • 本文将介绍由密歇根大学Charles Severance教授主讲的顶级Python入门系列课程,该课程广受好评,被誉为Python学习的最佳选择。通过生动有趣的教学方式,帮助初学者轻松掌握编程基础。 ... [详细]
  • 深入理解C++中的KMP算法:高效字符串匹配的利器
    本文详细介绍C++中实现KMP算法的方法,探讨其在字符串匹配问题上的优势。通过对比暴力匹配(BF)算法,展示KMP算法如何利用前缀表优化匹配过程,显著提升效率。 ... [详细]
  • 机器学习中的相似度度量与模型优化
    本文探讨了机器学习中常见的相似度度量方法,包括余弦相似度、欧氏距离和马氏距离,并详细介绍了如何通过选择合适的模型复杂度和正则化来提高模型的泛化能力。此外,文章还涵盖了模型评估的各种方法和指标,以及不同分类器的工作原理和应用场景。 ... [详细]
  • Explore a common issue encountered when implementing an OAuth 1.0a API, specifically the inability to encode null objects and how to resolve it. ... [详细]
  • 本文详细介绍如何使用Python进行配置文件的读写操作,涵盖常见的配置文件格式(如INI、JSON、TOML和YAML),并提供具体的代码示例。 ... [详细]
  • 本文详细介绍了Akka中的BackoffSupervisor机制,探讨其在处理持久化失败和Actor重启时的应用。通过具体示例,展示了如何配置和使用BackoffSupervisor以实现更细粒度的异常处理。 ... [详细]
  • 本文详细介绍了Java编程语言中的核心概念和常见面试问题,包括集合类、数据结构、线程处理、Java虚拟机(JVM)、HTTP协议以及Git操作等方面的内容。通过深入分析每个主题,帮助读者更好地理解Java的关键特性和最佳实践。 ... [详细]
  • 深入解析:手把手教你构建决策树算法
    本文详细介绍了机器学习中广泛应用的决策树算法,通过天气数据集的实例演示了ID3和CART算法的手动推导过程。文章长度约2000字,建议阅读时间5分钟。 ... [详细]
  • Google最新推出的嵌入AI技术的便携式相机Clips现已上架,旨在通过人工智能技术自动捕捉用户生活中值得纪念的时刻,帮助人们减少照片数量过多的问题。 ... [详细]
  • 毕业设计:基于机器学习与深度学习的垃圾邮件(短信)分类算法实现
    本文详细介绍了如何使用机器学习和深度学习技术对垃圾邮件和短信进行分类。内容涵盖从数据集介绍、预处理、特征提取到模型训练与评估的完整流程,并提供了具体的代码示例和实验结果。 ... [详细]
author-avatar
农村小姑娘0
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有