Question

我的问题是我有3个功能，但我只想绘制2D图形，同时使用2个功能并显示所有可能的组合。

问题是我做了classifier.fit(X_train, Y_train)所以它希望训练有3个功能，而不仅仅是2. X_train是大小（70,3），即（n_samples，n_features）。

到目前为止，我调整了原始代码以添加z_min和z_max，因为我需要有第三个功能，我需要能够使用classifier.predict()。

我在plt.contourf指令中遇到的错误是Input z must be a 2D array.

import matplotlib as pl
import matplotlib.colors as colors
import matplotlib.cm as cmx

x_min, x_max = X_train[:, 0].min() - 1, X_train[:, 0].max() + 1
y_min, y_max = X_train[:, 1].min() - 1, X_train[:, 1].max() + 1
z_min, z_max = X_train[:, 2].min() - 1, X_train[:, 2].max() + 1

xx, yy, zz = np.meshgrid(np.arange(x_min, x_max, 0.1),
                 np.arange(y_min, y_max, 0.1),
                 np.arange(z_min, z_max, 0.1))

fig, ax = plt.subplots()

# here "model" is your model's prediction (classification) function
Z = classifier.predict(np.c_[np.c_[xx.ravel(), yy.ravel()], zz.ravel()])

# Put the result into a color plot
Z = Z.reshape(len(Z.shape), 2)
plt.contourf(xx, yy, Z, cmap=pl.cm.Paired)
plt.axis('off')

# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=Y, cmap=pl.cm.Paired)

print(z.shape) = (4612640,)

print(xx.shape) = (20, 454, 508)

如何绘制具有3个特征的2D阵列+火车，但仅绘制2个特征并保持阵列Z的正确形状？如何才能使Z达到合适的尺寸？

到目前为止我尝试了什么：

I read scikit-learn example with the iris dataset

我想要这样的东西，总线而不是我有2个功能，我只能预测2个值，而不是像示例那样3个。

但是我所看到的所有例子中，他们只训练了2个特征，所以他们很好地从我的理解中解脱出来，他们并没有面对我Z形状不正确的问题。

是否也可以使用3D图形将其可视化，以便我们可以看到3个功能？

Answer 1

我不认为形状/大小是这里的主要问题。在为3D要素空间绘制2D决策曲面（contourf）之前，必须先进行一些计算。正确的等高线图要求每对Z都有一个定义的值（(X, Y)）。举个例子，看看xx和yy：

import pandas as pd

df = pd.DataFrame({'x': xx.ravel(),
                   'y': yy.ravel(),
                   'Class': Z.ravel()})
xy_summ = df.groupby(['x', 'y']).agg(lambda x: x.value_counts().to_dict())
xy_summ = (xy_summ.drop('Class', axis=1)
                  .reset_index()
                  .join(pd.DataFrame(list(xy_summ.Class)))
                  .fillna(0))
xy_summ[[0, 1, 2]] = xy_summ[[0, 1, 2]].astype(np.int)
xy_summ.head()

您会发现，对于每对xx和yy，您将获得2或3个可能的课程，具体取决于zz的位置：

    xx  yy  0   1   2
0   3.3 1.0 25  15  39
1   3.3 1.1 25  15  39
2   3.3 1.2 25  15  39
3   3.3 1.3 25  15  39
4   3.3 1.4 25  15  39

因此，要使2D contourf工作，您必须决定从2种或3种可能性中调用的Z。例如，您可以进行加权类调用，如：

xy_summ['weighed_class'] = (xy_summ[1] + 2 * xy_summ[2]) / xy_summ[[0, 1, 2]].sum(1)

这将允许您绘制成功的2D图：

import itertools
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

iris = load_iris()
X = iris.data[:, 0:3]
Y = iris.target
clf = DecisionTreeClassifier().fit(X, Y)

plot_step = 0.1
a, b, c = np.hsplit(X, 3)
ar = np.arange(a.min()-1, a.max()+1, plot_step)
br = np.arange(b.min()-1, b.max()+1, plot_step)
cr = np.arange(c.min()-1, c.max()+1, plot_step)
aa, bb, cc = np.meshgrid(ar, br, cr)
Z = clf.predict(np.c_[aa.ravel(), bb.ravel(), cc.ravel()])
datasets = [[0, len(ar), aa],
            [1, len(br), bb],
            [2, len(cr), cc]]

for i, (xsets, ysets) in enumerate(itertools.combinations(datasets, 2)):
    xi, xl, xx = xsets
    yi, yl, yy = ysets
    df = pd.DataFrame({'x': xx.ravel(),
                       'y': yy.ravel(),
                       'Class': Z.ravel()})
    xy_summ = df.groupby(['x', 'y']).agg(lambda x: x.value_counts().to_dict())
    xy_summ = (xy_summ.drop('Class', axis=1)
                      .reset_index()
                      .join(pd.DataFrame(list(xy_summ.Class)))
                      .fillna(0))
    xy_summ['weighed_class'] = (xy_summ[1] + 2 * xy_summ[2]) / xy_summ[[0, 1, 2]].sum(1)
    xyz = (xy_summ.x.values.reshape(xl, yl),
           xy_summ.y.values.reshape(xl, yl),
           xy_summ.weighed_class.values.reshape(xl, yl))

    ax = plt.subplot(1, 3, i + 1)
    ax.contourf(*xyz, cmap=mpl.cm.Paired)
    ax.scatter(X[:, xi], X[:, yi], c=Y, cmap=mpl.cm.Paired, edgecolor='black')
    ax.set_xlabel(iris.feature_names[xi])
    ax.set_ylabel(iris.feature_names[yi])

plt.show()

如果我理解正确的话，＆＃34;用3D图形可视化这个＆＃34;将是困难的。您不仅拥有3个功能，可以实现3D功能，还可以进行课堂通话。最后，您实际上必须使用4D数据，或像3D空间中的数据密度一样。我想这可能就是为什么3D决策空间（不再是真正的表面）图形不常见的原因。

在2D图上绘制具有3个特征的分类决策树的决策表面

1 个答案: