Question

我正在使用sklearn.svm支持向量回归来解决连续数据集上的回归问题，其中要素集具有 5维 和 1维 标签集，下面是数据集的外观：

>>> type(feature_set)
55: <type 'numpy.ndarray'>
>>> type(label_set)
56: <type 'numpy.ndarray'>
>>> feature_set.shape
57: (31875, 5)
>>> label_set.shape
58: (31875,)

现在我只想想象/绘制数据，我不知道该怎么做。此外，功能集中有5个维度，但我们只能绘制两个维度，对吧？

这是我的回归者：

from sklearn.svm import SVR
reg = SVR()
count = int(len(feature_set)*0.8)
reg.fit(feature_set[:count], label_set[:count])

是否有可能可视化/绘制回归量的结果？我对此非常陌生，因此可以使用任何或不同的技术，通过这些技术，我可以直观地显示连续数据（首选matplotlib）。谢谢。

Answer 1

您应首先查看下面的scikit-learn示例，该示例演示了如何使用主成分分析和线性判别分析。如果没有将您的数据带到您想要的地方，您可以尝试使用计算更昂贵的歧管模块方法。

http://scikit-learn.org/stable/auto_examples/decomposition/plot_pca_vs_lda.html#example-decomposition-plot-pca-vs-lda-py

http://scikit-learn.org/stable/modules/manifold.html

编辑：在将数据传递给任何降维之前，最好先扩展数据。参见例如http://scikit-learn.org/stable/modules/preprocessing.html#preprocessing

如何使用`matplotlib`可视化5-D特征集和回归结果？

1 个答案: