常见热力矩阵图基础(这里用波士顿房价数据作为参考)

图:

所需要安装的库和包:

# 在shell命令运行内执行命令,每次运行一行,如果有报错,直接搜索报错,本站很多大佬有解答
pip install matplotlib
pip install pandas
pip install seaborn

下面是所用到的代码:

#没用的开头,包含宣称,时间,用户
# -*- coding: utf-8 -*-
"""
Created on Fri Mar 22 12:59:25 2024

@author: admin
"""

# 调用包
from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns

#使用seabron库绘图
sns.set_style('whitegrid',{'font.sans-serif':['simhei','Arial']})

#设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']

# 进入数据
boston = pd.read_csv('F:/bigdata/boston_house_prices.csv',encoding='gbk')
plt.rcParams['axes.unicode_minus']=False
plt.rcParams['axes.unicode_minus'] = False
corr = boston.corr()
sns.heatmap(corr)

# 标题
plt.title('特征矩阵热力图')

# 输出
plt.show()

有什么问题可以在评论区询问

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
以下是Jupyter中使用决策树模型对波士顿房价数据进行预测,并使用热力进行可视化的示例代码: ```python # 导入所需的库和数据集 import pandas as pd from sklearn.datasets import load_boston from sklearn.tree import DecisionTreeRegressor from sklearn.model_selection import train_test_split import seaborn as sns boston = load_boston() df = pd.DataFrame(boston.data, columns=boston.feature_names) df['MEDV'] = boston.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(df[boston.feature_names], df['MEDV'], test_size=0.2, random_state=42) # 构建决策树模型 tree = DecisionTreeRegressor(max_depth=3) tree.fit(X_train, y_train) # 可视化特征重要性 importances = pd.DataFrame({'feature':boston.feature_names,'importance':tree.feature_importances_}) importances = importances.sort_values('importance',ascending=False) sns.barplot(x='importance',y='feature',data=importances) # 可视化决策树 from sklearn.tree import export_graphviz import pydotplus from IPython.display import Image dot_data = export_graphviz( tree, out_file=None, feature_names=boston.feature_names, class_names=boston.target.astype(str), filled=True, rounded=True, special_characters=True ) graph = pydotplus.graph_from_dot_data(dot_data) Image(graph.create_png()) # 可视化决策树预测结果 import numpy as np import matplotlib.pyplot as plt # 构建测试数据集 data = X_test.iloc[0] data = np.array(data).reshape(1, -1) # 预测结果 pred = tree.predict(data) # 绘制热力 corr = df.corr() sns.heatmap(corr, cmap='coolwarm', annot=True) plt.show() ``` 通过上述代码,可以得到决策树模型的特征重要性可视化、决策树可视化热力等可视化结果。其中,热力可以展示不同特征之间的相关性,从而更好地理解波士顿房价数据的特征分布情况。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值