图是最直观观察到数据之间的内部关系以及规律的,比如在下面的几张动图中,使用matplotlib中的三维显示命令,使得我们可以对于logistic回归网络的性能与相关参数有了更好的理解。
下面的动图显示了在训练网络时,不同的学习速率对于算法收敛之间的影响。
下面给出了绘制这些动态曲线的相关的python指令:
➤01 3D plot
1.基本语法
在安装matplotlib之后,自动安装有 mpl_toolkits.mplot3d。
#Importing Libraries
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
#3D Plotting
fig = plt.figure()
ax = plt.axes(projection="3d")
#Labeling
ax.set_xlabel('X Axes')
ax.set_ylabel('Y Axes')
ax.set_zlabel('Z Axes')
plt.show()
2.Python Cmd
使用pythoncmd 插入相应的语句。
3.举例
(1) Ex1
#!/usr/local/bin/python
# -*- coding: gbk -*-
#******************************
# TEST2.PY -- by Dr. ZhuoQing 2020-11-16
#
# Note:
#******************************
from headm import *
from mpl_toolkits.mplot3d import axes3d
ax = plt.axes(projection='3d')
x = [1,2,3,4,5,6,7,8,9]
y = [2,3,4,6,7,8,9,5,1]