Python 用sklearn绘制回归器的三维图形

我一直在用它来学习决策树学习，现在正试图了解它是如何处理高维数据集的

目前，我的回归器预测传递给它的（x，y）对的Z值

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn.tree import DecisionTreeRegressor 
from mpl_toolkits import mplot3d
dataset = np.array( 
[['Asset Flip', 100,100, 1000], 
['Text Based', 500,300, 3000], 
['Visual Novel', 1500,500, 5000], 
['2D Pixel Art', 3500,300, 8000], 
['2D Vector Art', 5000,900, 6500], 
['Strategy', 6000,600, 7000], 
['First Person Shooter', 8000,500, 15000], 
['Simulator', 9500,400, 20000], 
['Racing', 12000,300, 21000], 
['RPG', 14000,150, 25000], 
['Sandbox', 15500,200, 27000], 
['Open-World', 16500,500, 30000], 
['MMOFPS', 25000,600, 52000], 
['MMORPG', 30000,700, 80000] 
]) 
X = dataset[:, 1:3].astype(int) 
y = dataset[:, 3].astype(int) 
regressor = DecisionTreeRegressor(random_state = 0) 
regressor.fit(X, y) 

---

我想用一个3d图形来可视化它，但我一直在努力解决Regressionor.predict（）期望其输入的方式与matplotlib线框等程序期望其输入的方式之间的矛盾。因此，我无法让它们一起工作。

试试这个，我没有安装所有的软件包，所以我在google colab上测试了这个。让我知道这是否是你所期望的

来自mpl_toolkits.mplot3d导入Axes3D
图=plt.图（）
ax=图添加_子图（111，投影='3d'）
#只需查看数据的预测结果
#ax.scatter（X[：，0]，X[：，1]，regressor.predict（regressor.predict（X）），c='g'）
样本=10
xx，yy=np.meshgrid（np.linspace（min（X[：，0]）、max（X[：，0]）、samples）、np.linspace（min（X[：，1]）、max（X[：，1]）、samples））
#查看决策边界（我认为，这不是决策树回归器的正确说法）
ax.plot_线框（xx，yy，回归器预测（np.hstack（（xx.整形（-1,1），yy.整形（-1,1）））。整形（xx.整形））
ax.set_xlabel（'x轴'）
ax.set_ylabel（'y轴'）
ax.set_zlabel（‘z轴（预测）’）