Question

我以为我理解lambda函数是如何工作的，尽管我自己并没有使用它们。但是this tutorial以下的lambda完全让我感到困惑：

import matplotlib.pyplot as plt
import numpy as np
import sklearn
import sklearn.datasets
import sklearn.linear_model
import matplotlib

这很容易。更多：

# Generate a dataset and plot it
np.random.seed(0)
X, y = sklearn.datasets.make_moons(200, noise=0.20)
plt.scatter(X[:,0], X[:,1], s=40, c=y, cmap=plt.cm.Spectral)
clf = sklearn.linear_model.LogisticRegressionCV()
clf.fit(X, y)

# Helper function to plot a decision boundary.
# If you don't fully understand this function don't worry, it just generates the contour plot below.

def plot_decision_boundary(pred_func):

    # Set min and max values and give it some padding
    x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
    y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
    h = 0.01

    # Generate a grid of points with distance h between them
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

    # Predict the function value for the whole gid
    Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)

    # Plot the contour and training examples
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)

现在我不理解这一行：

plot_decision_boundary(lambda x: clf.predict(x))

我已多次读过lambdas如何工作，但我只是不知道x如何传递正确的值。 x如何映射到相关值？

Answer 1

lambdas只是匿名函数。 lambda body只能是一个表达式（作为你可以放入函数的子集），因为它们必须与其他代码内联。

plot_decision_boundary(lambda x: clf.predict(x))可以改写为

def call_clf_predict(x):
    return clf.predict(x)
plot_decision_boundary(call_clf_predict)

在这里，它更清楚发生了什么。 plot_decision_boundary获取可调用权限并使用单个参数np.c_[xx.ravel(), yy.ravel()]调用它。

但首先不应该使用lambda。你可以做到

plot_decision_boundary(clf.predict)

在python教程的传统中，lambda再次被滥用。

Answer 2

plot_decision_boundary(lambda x: clf.predict(x))

这一行传递一个函数，该函数将一个参数带入该方法。当评估lambda，或者使用参数x“调用”方法时，它将执行clf.predict(x)

在该方法中，该函数名为pred_func，并在

处使用其单个参数进行调用

Z = pred_func(np.c_[xx.ravel(), yy.ravel()])

所以运行的代码是

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

Answer 3

x是您在此处传递的连接Numpy对象：

Z = pred_func(np.c_[xx.ravel(), yy.ravel()])

pred_func是plot_decision_boundary()的参数;通过调用它，您可以调用lambda定义的函数对象。上述内容转换为：

clf.predict(np.c_[xx.ravel(), yy.ravel()])

Answer 4

plot_decision_boundary（pred_func）实际上需要三个输入X,y,pred_func

如果clf.predict(x)仅接受x作为输入，则不需要lambda。但是，对于其他可能需要更多输入的预测函数（例如func(parameters, x)作为pred_func）和不带参数的外部函数（plot_decision_boundary），我们需要从头开始插入它们：

plot_decision_boundary(lambda x: func(parameters, x), X, y)

Answer 5

我们要绘制轮廓，因此我们需要X轴，Y轴和Z轴的相应值使用不同的坐标。

pred_func() is clf.predict(x), ie. the lambda function

因此，当您生成网状网格并将其连接（heres a good link to understand concatenation）并将其传递到pred_func时，您实际上是在将lambda函数的x参数传递给输出预测的值来自lambda函数clf.predict()，即用于绘制轮廓的Z矩阵（输出z，对应于feature1和feature2的不同值）。

理解这个lambda函数是如何工作的

5 个答案: