一维回归的图像绘制（随机数）

在绘制一维回归的图像时，这个小例子采用随机数进行一个简单的操作，一共分为五步：导入用到的库；创建一条含有噪声的曲线；实例化训练模型；将测试集导入模型，预测结果；画图观察哪种模型的效果更好。

1、导入需要用到的库

import numpy as np
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt

2、创建一条含有噪声的正弦曲线

rng = np.random.RandomState(1)  # 生成随机数种子，可以输入任意的一个整数，目的是为了生成同一棵树

# x 的生成rng.rand() 用于生成0~1之间的随机数，可以随意指定随机数的个数，维度
# 要将生成的随机数导到回归树中，进行拟合，fit接口不允许导一维数据，所以，应生成二维的矩阵
# 使用np.sort(),默认是升序，进行排序
x = np.sort(5 * rng.rand(80,1),axis = 0)
# y即标签列只能是一维的，因为x是二维的，所以用ravel()来降维
y = np.sin(x).ravel()

# 添加噪声，通过给某些数字，加上或减去随机数，使用切片，符合现实的数据
# （0.5 - rng.rand(16)） 使得随机数变成（-0.5~0.5），3代表将随机数扩大几倍
y[::5] += 3* (0.5 - rng.rand(16))

3、实例化 & 训练模型

regr_1 = DecisionTreeRegressor(max_depth=2)
regr_2 = DecisionTreeRegressor(max_depth=5)
regr_1.fit(x, y)
regr_2.fit(x, y)

4、测试集导入模型，预测结果

# np.arrange(开始点，结束点，步长)    取出有顺序的值；[:, np.newaxis] 用来增维的
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_1 = regr_1.predict(X_test) # 导入样本点后，每个数值的回归或分类树的预测结果
y_2 = regr_2.predict(X_test)

5、绘制图像

plt.figure()
plt.scatter(x, y, s=20, edgecolor="black",c="darkorange", label="data")  # s是指图像的大小
plt.plot(X_test, y_1, color="cornflowerblue",label="max_depth=2", linewidth=2)
plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=5", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()
# 可以发现最大深度等于5的容易受到噪声的影响，远远没有最大深度等于2的对原本的曲线的模拟效果好