Python 最近质心的判定边界

我试图为不同的分类器绘制决策边界，包括

最接近的质心

，但是当我使用此代码时

if hasattr(clf, "decision_function"):
            Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
        else:
            Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]

---

我得到一个错误，说“最近的质心”对象没有属性“predict_proba”。我怎样才能解决这个问题

正如BearBrown所指出的，您只需检查“decison_函数”是否是clf的属性。您从不检查“predict_proba”是否是clf的属性

if hasattr(clf, "decision_function"):
    Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
elif hasattr(clf, "predict_proba"): # This condition ensures that you'll see that predict_proba is not an attribute of clf`enter code here`
    Z = clf.predict_proba(numpy.c_[xx.ravel(), yy.ravel()])[:, 1]
else: #This will show you your error again
    raise AttributeError("Neither 'decision_function' not 'predict_proba' found in clf")

---

在此之后，您应该检查为什么您期望的属性不是clf

假设您的X有两个特征，您可以生成一个属性，其中每个轴都属于其中一个特征

if hasattr(clf, "decision_function"):
    Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
elif hasattr(clf, "predict_proba"): # This condition ensures that you'll see that predict_proba is not an attribute of clf`enter code here`
    Z = clf.predict_proba(numpy.c_[xx.ravel(), yy.ravel()])[:, 1]
else: #This will show you your error again
    raise AttributeError("Neither 'decision_function' not 'predict_proba' found in clf")

假设

X

是包含两个特征的特征数组-形状为（N，2），其中N是样本数-

y

是目标数组：

# first determine the min and max boundaries for generating the meshgrid
feat1_min, feat1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
feat2_min, feat2_max = X[:, 1].min() - 1, X[:, 1].max() + 1

现在生成网格网格并沿网格进行预测：

xx, yy = np.meshgrid(np.arange(feat1_min, feat1_max , 0.02),
                     np.arange(feat2_min, feat2_max , 0.02))  # 0.02 is step size
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

现在制作情节：

Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx, yy, Z, cmap="autumn")
plt.scatter(X[:, 0], X[:, 1], c=y, cmap="autumn",
            edgecolor='k', s=10)
plt.show()

---

你可以自己做

预测概率

：

from sklearn.utils.extmath import softmax
from sklearn.metrics.pairwise import pairwise_distances

def predict_proba(self, X):
    distances = pairwise_distances(X, self.centroids_, metric=self.metric)
    probs = softmax(distances)
    return probs

clf = NearestCentroid()
clf.predict_proba = predict_proba.__get__(clf)
clf.fit(X_train, y_train)
clf.predict_proba(X_test)

---

为什么你认为如果不是hasattr

decision\u function

那么总是hasattr

predict\u proba

？@BearBrown我从scikit学习教程中获得了它，绘制了不同的分类器，但是

最接近的质心不在其中，所以我想知道问题出在哪里。我不明白它们之间有什么区别，如果我只使用
Z=clf.predict（numpy.c_xx.ravel（），yy.ravel（）]）
，又会怎么样。我不知道使用哪一个是正确的？@MuhamadAli我仍然得到一个错误，我无法绘制决策边界。在这种情况下，如何绘制决策边界？如果我只使用
Z=clf.predict（numpy.c_xx.ravel（），yy.ravel（））
我可以看到这些数字，但我认为这是不正确的。你对此有什么解决方案吗？你能举一个最小的例子，这样就很容易看到预期的结果吗？是的，我试图用它来绘制下图（在@Scratch'N'Purr的答案中）。但我想我不应该使用这些，而应该只使用
Z=clf.predict（np.c_uxx.ravel（），yy.ravel（））
因为当我想要绘制决策边界时，如果我使用
clf.decision\u函数
和
clf.predict\u proba
，看起来很奇怪。谢谢！我对
clf.decision\u函数
和
clf.predict\u proba
的使用感到困惑。所以我们不会在这里用，没问题！
decision_函数
和
predict_proba
取决于您在sklearn中使用的分类器。并非所有的方法都有这些方法。
softmax（-distance）
更有意义，因此较近的质心的概率较高。