利用plt.pcolormesh绘制分类图

本文介绍如何利用plt.pcolormesh来绘制以下分类图

      

 plt.pcolormesh能够直观的表现出分类的边界，而只用散点图无法显示出分类的边界线，如下图所示：

下面以make_moons数据集为例，用神经网络说明 plt.pcolormesh()的用法

引入所需库：

import numpy as np 
import matplotlib.pyplot as plt 
import matplotlib as mpl 
from sklearn.neural_network import MLPClassifier 
from sklearn.datasets import make_moons 
from sklearn.model_selection import train_test_split #划分训练集和测试集

构建样本：

#产生样本并将样本分成训练样本与测试样本
x,y=make_moons(100,noise=0.2) 
x_train,x_test,y_train,y_test=train_test_split(x, y, test_size=0.4) 

构建神经网络：

#构建神经网络
model = MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(6,3)) 
model.fit(x_train,y_train) #权重方法 lbfgs：quasi-Newton 方法（针对小数据集较好）；
#hidden_layer_sizes=(6, 3)表示有两层隐藏层，第一层隐藏层有6个神经元，第二层有3个神经元。

显示结果：

cm_bg = mpl.colors.ListedColormap(['r', 'y']) #背景颜色（样本分为2个类，所以为两个颜色）

plt.pcolormesh(xx, yy, y_predict.reshape(xx.shape), cmap=cm_bg) #绘制网格背景
#plt.pcolormesh()会根据y_predict的结果自动的在cmap中选择颜色

绘制出网格背景为：

然后再把绘制出的散点分布上去：

cm_pt = mpl.colors.ListedColormap(['w', 'k']) #样本点颜色（样本分为2个类，所以为两个颜色）
plt.scatter(x_train[:,0],x_train[:,1],c=y_train,cmap=cm_pt,marker='o') #绘制样本点
#plt.scatter()会根据y_train的结果自动的在cmap中选择颜色，c参数代表颜色

#显示结果
x_min,x_max=x_train[:,0].min(),x_train[:,0].max() 
y_min,y_max=x_train[:,1].min(),x_train[:,1].max() 
xx,yy=np.meshgrid(np.linspace(x_min, x_max, 200),np.linspace(y_min, y_max, 200)) #生成网格采样点
#np.linspace(x_min, x_max, 200)在[x_min,x_max]中产生200个均匀间隔的数字（包括尾部）
grid_test=np.stack((xx.flat, yy.flat), axis=1) #测试点  （xx.flat降维）
y_predict=model.predict(grid_test) 
cm_pt = mpl.colors.ListedColormap(['w', 'k']) #样本点颜色（样本分为2个类，所以为两个颜色）
cm_bg = mpl.colors.ListedColormap(['r', 'y']) #背景颜色（样本分为2个类，所以为两个颜色）
plt.xlim(x_min, x_max);plt.ylim(y_min, y_max) #设置坐标范围
plt.pcolormesh(xx, yy, y_predict.reshape(xx.shape), cmap=cm_bg) #绘制网格背景
#plt.pcolormesh()会根据y_predict的结果自动的在cmap中选择颜色
plt.scatter(x_train[:,0],x_train[:,1],c=y_train,cmap=cm_pt,marker='o') #绘制样本点
#plt.scatter()会根据y_train的结果自动的在cmap中选择颜色，c参数代表颜色
plt.grid(True);plt.show()
#显示网格
print('计算预测精度',model.score(x_test,y_test))