此数据集由3种不同类型的鸢尾花(Setosa,Versicolour和Virginica)的花瓣和萼片的宽度及长度组成,存储在150x4的numpy.ndarray中。 一行为一个样本,列为:萼片长度,萼片宽度,花瓣长度和花瓣宽度。 下图使用了前两个特征。有关此数据集的更多信息,请参见 这里 。print(__doc__)# 代码来源:Gaël Varoquaux# 由 Jaques Grobler 修改文档# 许可证: BSD 3 条款
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn import datasets
from sklearn.decomposition import PCA# 导入一些数据
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features.
y = iris.target
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
plt.figure(2, figsize=(8, 6))
plt.clf()# 绘制训练数据点plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Set1,
edgecolor='k')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.xticks(())
plt.yticks(())# 为了更好地理解维度之间的相互作用# 绘制前三个PCA维度
fig = plt.figure(1, figsize=(8, 6))
ax = Axes3D(fig, elev=-150, azim=110)
X_reduced = PCA(n_components=3).fit_transform(iris.data)ax.scatter(X_reduced[:, 0], X_reduced[:, 1], X_reduced[:, 2], c=y,
cmap=plt.cm.Set1, edgecolor='k', s=40)
ax.set_title("First three PCA directions")
ax.set_xlabel("1st eigenvector")
ax.w_xaxis.set_ticklabels([])
ax.set_ylabel("2nd eigenvector")
ax.w_yaxis.set_ticklabels([])
ax.set_zlabel("3rd eigenvector")
ax.w_zaxis.set_ticklabels([])
plt.show()
脚本的总运行时间: ( 0 分 0.431 秒)
估计的内存使用量: 8 MB
下载python源代码: plot_random_multilabel_dataset.py
下载Jupyter notebook源代码: plot_random_multilabel_dataset.ipynb
欢迎大家和我一起沿着scikit-learn文档这条路线,一起巩固机器学习算法基础。(添加微信:mthler,备注:sklearn学习,一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)