Sklearn机器学习：如何绘制全局二维特征-单预测结果的背景图

2019-11-08 03:04:28

字体：大中小

来源：转载

供稿：网友

如图所示为python使用sklearn对iris前两列数据进行svm分析后得到的分类结果，图中不同颜色的点代表实际的分类结果，背景颜色代表构建的预测模型的分类结果那么如何绘制预测模型的分类结果背景呢？这里写图片描述

代码及图片示意结果如下：import numpy as npimport matplotlib.pyplot as pltn = 3xx, yy = np.meshgrid(np.arange(-12, 12, n),np.arange(-6, 6, n))#此处也可用linspace等PRint(xx)plt.matshow(xx,extent=(xx.min(), xx.max(), yy.min(), yy.max()),aspect='auto')plt.show()理解meshgrid的xx数据分布： [[-12 -9 -6 -3 0 3 6 9] [-12 -9 -6 -3 0 3 6 9] [-12 -9 -6 -3 0 3 6 9] [-12 -9 -6 -3 0 3 6 9]]

这里写图片描述

print(yy)plt.matshow(yy, extent=(xx.min(), xx.max(), yy.min(), yy.max()),aspect='auto')plt.show()理解meshgrid的yy数据分布： [[-6 -6 -6 -6 -6 -6 -6 -6] [-3 -3 -3 -3 -3 -3 -3 -3] [ 0 0 0 0 0 0 0 0] [ 3 3 3 3 3 3 3 3]]

这里写图片描述

def predict(X_F1,X_F2): # 人为构建一个预测模型，X_Fi为输入样本的特征 """ just like a prediction method in sklearn, which returns a value as the classification or regression result """ return X+Y # 输出模型的预测分类结果mm = predict(xx,yy) #这里mm就是模仿sklearn中调用模型的预测分类结果print(mm)plt.matshow(mm, extent=(xx.min(), xx.max(), yy.min(), yy.max()),aspect='auto')plt.show()理解meshgrid的xx与yy联立的数据分布： [[-18 -15 -12 -9 -6 -3 0 3] [-15 -12 -9 -6 -3 0 3 6] [-12 -9 -6 -3 0 3 6 9] [ -9 -6 -3 0 3 6 9 12]]

这里写图片描述

#利用extent遍历绘图区域中的有限点，#以这些点为中心，以mm绘制预测分类结果#绘制矩阵图形,当n越大时，全局背景分类结果越精细plt.imshow(mm, interpolation='nearest', extent=(xx.min(), xx.max(), yy.min(), yy.max()), aspect='auto') plt.show()

理解meshgrid的预测结果数据分布的绘制：

此处的重点是预测结果与坐标点（xx,yy）有着相同的分布结果

这里写图片描述