对mglearn库的理解

先看该库的配置文件

from . import plots
from . import tools
from .plots import cm3, cm2
from .tools import discrete_scatter
from .plot_helpers import ReBl

__version__ = "0.1.7"

__all__ = ['tools', 'plots', 'cm3', 'cm2', 'discrete_scatter', 'ReBl']

下面是简单的理解，暂时写了4条：

1：这个库中的plots模块内有许多已经做好的数据视图。方便查看，帮助你省略了构建的过程。
  列：一行简单的代码，就可以查看线性回归在回归问题中的使用情况。

mglearn.plots.plot_linear_regression_wave()

  例：一行代码就可以查看，参数C的大小对LinearSVC算法的影响

mglearn.plots.plot_linear_svc_regularization()

2：这个库中的cm2、cm3内有配置好的配色方案，在用pyplot作图时可以方便的调用
这是定位到的源代码：

# create a smooth transition from the first to to the second color of cm3
# similar to RdBu but with our red and blue, also not going through white,
# which is really bad for greyscale

cdict = {'red': [(0.0, 0.0, cm2(0)[0]),
                 (1.0, cm2(1)[0], 1.0)],

         'green': [(0.0, 0.0, cm2(0)[1]),
                   (1.0, cm2(1)[1], 1.0)],

         'blue': [(0.0, 0.0, cm2(0)[2]),
                  (1.0, cm2(1)[2], 1.0)]}

ReBl = LinearSegmentedColormap("ReBl", cdict)

  例：

    ax.plot(X_train, y_train, '^', c=mglearn.cm2(0), markersize=8)
    ax.plot(X_test, y_test, 'v', c=mglearn.cm2(1), markersize=8)

3.这个库引用的sklearn.datasets模块内，有加载和获取常用数据集、人工生成数据集的方法。

  例：加载波士顿房价数据集（带有load关键字的方法，均为加载库中已有数据。）

X, y = mglearn.datasets.load_extended_boston()

  例：人工生成数据（带有make关键字的方法）。

from sklearn.datasets import make_moons
X, y = make_moons(n_samples=100, noise=0.25, random_state=3)

4：这个库中的plots模块对matplotlib.pyplot做出了修改，更适合绘制类和集群的视图。
  例：

mglearn.plots.plot_2d_separator(clf, X, fill=False, eps=0.5,
                                    ax=ax, alpha=.7)