【Python实例第15讲】分类概率图

最新推荐文章于 2023-05-22 15:44:02 发布

Goodsta

最新推荐文章于 2023-05-22 15:44:02 发布

阅读量2.7k

点赞数 1

文章标签： python

本文链接：https://blog.csdn.net/wong2016/article/details/84035332

版权

本文通过实例解析了机器学习中分类概率图的绘制，涉及支持向量机(SVC)、L1和L2惩罚的Logistic回归及高斯过程分类。通过颜色深浅展示数据点属于各类别的概率。示例中使用了鸢尾花数据集，并对不同分类器的效果进行了对比，包括线性SVC和多类别Logistic回归等。

摘要由CSDN通过智能技术生成

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

这个例子将用图形表示不同分类器的分类概率。所谓“分类概率”，是指某个数据点属于各个类别的概率。将所有数据点属于任何类的概率，用颜色深浅表示，作出分类概率图。

在这里，我们使用一个三类的数据集，分别用支持向量机(SVC)、L1 and L2惩罚的Logistic回归和高斯过程分类。默认情况下，线性SVC并不是一个概率分类器，但是可以通过设置参数probability=True改变。具有One v.s. Rest的Logistic回归并不是一个多类别分类器，因此，在分隔类2，类3时要比其它分类器复杂些。

实例详解

首先，导入必需的库。

print(__doc__)

# Author: Alexandre Gramfort <alexandre.gramfort@inria.fr>
# License: BSD 3 clause

import matplotlib.pyplot as plt
import numpy as np

from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
from sklearn import datasets