棒棒的二维数据可视化分类模型

最新推荐文章于 2024-01-20 17:32:38 发布

ZachhhBweg

最新推荐文章于 2024-01-20 17:32:38 发布

阅读量2k

点赞数 2

分类专栏： python机器学习 - 用python深入机器学习的世界文章标签：机器学习数据可视化 python

本文链接：https://blog.csdn.net/weixin_44145222/article/details/105176811

版权

该博客介绍了一个适用于二维特征向量的分类模型数据可视化工具，它能展示不同算法如SVM、KNN的决策边界。源码来源于Python Machine Learning 3rd，并进行了个人理解和改进。该工具能高亮显示测试集样本，支持多种分类模型，但局限于二维特征和监督学习问题。文章详细阐述了实现原理、预处理步骤和绘制过程，并提供了示例。

摘要由CSDN通过智能技术生成

源码

源码来自Python Machine Learning 3rd，Chapter 3，自己加入了一些理解和修改

优势

适用于大多数分类算法模型，对不同参数的统一模型都能够绘制出不同的决策边界
高亮测试集样本
默认支持5种分类情况，可拓展

局限

只能够适用于二维特征向量的数据可视化
只适用于监督学习分类问题，包括线性回归，逻辑回归，SVM，KNN，决策树，随机森林等等

代码

from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
%matplotlib inline
def plot_decision_regions(X, y, classifier, test_idx=None, resolution=0.02):
    # setup marker generator and color map
    markers = ('s', 'x', 'o', '^', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))]) # colors that need in classfication
    
    ## plot the decision surface
    # get the range of axes
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    
    # create meshgrid coordinates for plotting contour
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
                          np.arange(x2_min, x2_max

最低0.47元/天解锁文章