matplot 除了可以画比较简单的图之外&＃xff0c;还可以类似于等高线这样的图。在机器学习里面可以用于可视化分类的效果&＃xff0c;比如在可视化svm分类的时候&＃xff0c;就可以这样的方式去画图&＃xff0c;在可视化上往往会有很好的效果。
代码如下&＃xff1a;import matplotlib.pyplot as plt
import numpy as npdef f(x,y):
# the height functions
return 2 * x &＃43;y
n &＃61; 256# 将(-3,&＃43;3) 的这个区间分成256x &＃61; np.linspace(-3, 3, n) # x shape (256,)y &＃61; np.linspace(-3, 3, n) # y shape (256,)# np.meshgrid 形成一个平面网格&＃xff0c;# X代表这个平面点的横坐标&＃xff0c;Y代表这个平面点的纵坐标# X or Y shape is : (256, 256) # 这个函数的具体功能在下面讲X,Y &＃61; np.meshgrid(x, y)
# 接下来进行颜色填充# 使用函数plt.contourf把颜色加进去&＃xff0c;位置参数分别为&＃xff1a;X, Y, f(X,Y)。plt.contourf(X, Y, f(X, Y))# 更多的参数&＃xff0c;可以画出不同的风格&＃xff0c;alpha&＃61;.75 表示透明度 &＃xff0c; cmap&＃61;plt.cm.hot 表示f(X,Y) 的值对应到color map的暖色组中寻找对应颜色#plt.contourf(X, Y, f(X, Y), 8, alpha&＃61;.75, cmap&＃61;plt.cm.hot)plt.show()
结果如下图&＃xff1a;
image.png
如果要画的点是离散的取值怎么办&＃xff1f;
for example&＃xff0c;画一个二维平面&＃xff0c;上面的点的取值是离散的(比如说&＃xff0c;0或1)。在机器学习经常需要可视化这样的东西&＃xff0c;给一个平面&＃xff0c;上面有很多点&＃xff0c;有的属于正类&＃xff0c;有的属于负类&＃xff0c;那么如果可视化&＃xff1f;"""
画一个二维平面&＃xff0c;上面的点的取值是离散的(比如说&＃xff0c;0或1)&＃xff0c;
比如说机器学习经常需要可视化这样的东西&＃xff0c;给一个平面&＃xff0c;上面有很多点&＃xff0c;有的属于正类&＃xff0c;有的属于负类&＃xff0c;那么如果可视化&＃xff1f;
下面&＃xff0c;是一个解决方案
"""import matplotlib.pyplot as plt
import numpy as np
n &＃61; 10x &＃61; np.linspace(-3, 3, n)
y &＃61; np.linspace(-3, 3, n)
X,Y &＃61; np.meshgrid(x, y)# X,Y指的是一个 x 属于[-3,3],y属于[-3,3]的二维平面# z表示的是在这个二维平面内点的取值# np.random.randint(0,2,X.shape) 指的是生成一个shape形状的矩阵&＃xff0c;里面的取值是0或1z&＃61;np.random.randint(0,2,X.shape)"""
rand &＃61; np.random.randint(0,2,(3,8))
print(rand)
[[1 1 0 0 1 0 1 0]
[0 1 0 1 0 1 0 0]
[0 0 1 0 0 1 0 0]]
"""plt.contourf(X, Y, z)
plt.show()
结果如下&＃xff1a;
image.png
使用matplot画图的时候&＃xff0c;常用的几个numpy函数&＃xff1a;
np.meshgrid() 函数
一个简单的示例代码如下&＃xff1a;x &＃61; np.arange(-2,2)
y &＃61; np.arange( 0,3) #生成一位数组&＃xff0c;其实也就是向量x
Out[31]: array([-2, -1, 0, 1])
y
Out[32]: array([0, 1, 2])#将两个一维数组变为二维矩阵ret_x ,ret_y &＃61; np.meshgrid(x,y)
# ret_x 可以理解为 x 纵向扩展ret_x Out[36]:
array([[-2, -1, 0, 1],
[-2, -1, 0, 1],
[-2, -1, 0, 1]])# ret_y 可以理解为 y 横向扩展ret_y Out[37]:
array([[0, 0, 0, 0],
[1, 1, 1, 1],
[2, 2, 2, 2]])
如果我们想把 一个平面上面&＃xff0c;x 属于[-2,1]&＃xff0c;y属于[0,2]的区域 里面的点画出来。np.meshgrid()就可以提供这样的功能。
它的返回值ret_x , ret_y 维度是相同的&＃xff0c;分别表示了这个区域内点的横坐标和纵坐标。
np.c_ or np.r_ 函数
np.c_ or np.r_ 函数的作用是按行或者是按列合并向量import numpy as np
a &＃61; np.array([1,2,3])
b &＃61; np.array([5,2,1])# np.r_按row来组合array# a,b 必须是向量print (np.r_[a,b])# 输出# [1 2 3 5 2 1]# np.c_按colunm来组合arrayprint (np.c_[a,b])"""
# 输出
[[1 5]
[2 2]
[3 1]]
"""
举个例子&＃xff1a;
svm 非线性核分类"""
一个 非线性svm分类器 的demo
"""import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import stylefrom sklearn import svm#style.use("ggplot")# 构造了一个非线性的数据X &＃61; np.array([[1,1],[5,5],[5,1],[1,5],[2.5,2.5],[2,3],[3,2],[2,2],[3,3]])
y &＃61; [1,1,1,1,0,0,0,0,0]
plt.scatter(X[:, 0], X[:, 1], c &＃61; y)#plt.show()#svc &＃61; svm.SVC(kernel&＃61;&＃39;linear&＃39;,C&＃61;1.0) # 线性核#svc &＃61; svm.SVC(kernel&＃61;&＃39;rbf&＃39;,C&＃61;1.0,gamma&＃61;1) #如果是非线性核 可以还不同的gamma值svc &＃61; svm.SVC(kernel&＃61;&＃39;rbf&＃39;,C&＃61;1.0,gamma&＃61;&＃39;auto&＃39;)
svc.fit(X,y)
h &＃61; 0.01x_min, x_max &＃61; X[:, 0].min() - 1, X[:, 0].max() &＃43; 1y_min, y_max &＃61; X[:, 1].min() - 1, X[:, 1].max() &＃43; 1xx, yy &＃61; np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min, y_max, h))
plt.subplot(1, 1, 1)
Z &＃61; svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z &＃61; Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap&＃61;plt.cm.Paired, alpha&＃61;0.8)
plt.scatter(X[:, 0], X[:, 1], c&＃61;y, cmap&＃61;plt.cm.Paired)
plt.xlim(xx.min(), xx.max())
plt.title("SVC with kernel "&＃43;svc.kernel)
plt.show()
image.png
作者&＃xff1a;爱秋刀鱼的猫
链接&＃xff1a;https://www.jianshu.com/p/0e11ecf0c0b6
京公网安备 11010802041100号