使用Tkinter设计基于python的GUI交互

在数据分析的过程中，往往需要对所建立的模型进行可视化，并调整其中的某些参数。

通常情况下，在Python中可以通过Matplotlib来进行绘制图像。然而该绘制过程是静态的，也就是每次调整完参数需要重新调用绘图语句进行绘图展示。我们的目标是结合GUI组件，实现对模型参数的交互式绘图。这样，可以在展示出的GUI界面中动态的调整模型的参数，并绘制图像。

最终的实现效果如下：

# coding=gbk  
''''' 
Created on 2016年10月28日 
 
@author: ldk 
'''  
   
import time    
from sklearn import metrics    
import pickle as pickle
from sklearn.externals import joblib ##保存模型
from matplotlib.widgets import Button ##添加按钮功能包

import pandas as pd
import random

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
import numpy as np
from sklearn.preprocessing import normalize
from sklearn.metrics import roc_curve, auc
from sklearn.cross_validation import KFold,StratifiedKFold 

from scipy import interp
import matplotlib
import matplotlib.pyplot as plt
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
from matplotlib.figure import Figure
from Tkinter import *
  
  
###############################################################################    
# Multinomial Naive Bayes Classifier    
def naive_bayes_classifier(train_x, train_y):    
    from sklearn.naive_bayes import MultinomialNB    
    model = MultinomialNB(alpha=0.01)    
    model.fit(train_x, train_y)    
    return model    
###############################################################################    
    
###############################################################################        
# KNN Classifier    
def knn_classifier(train_x, train_y):    
    from sklearn.neighbors import KNeighborsClassifier    
    model = KNeighborsClassifier()    
    model.fit(train_x, train_y)    
    return model    
###############################################################################    
    
###############################################################################        
# Logistic Regression Classifier    
def logistic_regression_classifier(train_x, train_y):    
    from sklearn.linear_model import LogisticRegression    
    model = LogisticRegression(penalty='l2')    
    model.fit(train_x, train_y)    
    return model    
###############################################################################    
    
    
###############################################################################    
# Random Forest Classifier    
def random_forest_classifier(train_x, train_y):    
    from sklearn.ensemble import RandomForestClassifier    
    model = RandomForestClassifier(n_estimators=20)    
    model.fit(train_x, train_y)    
    return model    
###############################################################################    
    
    
###############################################################################    
# Decision Tree Classifier    
def decisi