Python 如何在散点图上有多个分类标记
我想训练逻辑回归模型,然后创建一个显示边界线的图,但要以特定的方式 我目前的工作Python 如何在散点图上有多个分类标记,python,numpy,matplotlib,scikit-learn,scatter-plot,Python,Numpy,Matplotlib,Scikit Learn,Scatter Plot,我想训练逻辑回归模型,然后创建一个显示边界线的图,但要以特定的方式 我目前的工作 import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn import datasets from matplotlib.colors import ListedColormap cmap_light = ListedColormap(['#
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from matplotlib.colors import ListedColormap
cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])
# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features.
Y = iris.target
logreg = LogisticRegression(C=1e5)
# Create an instance of Logistic Regression Classifier and fit the data.
logreg.fit(X, Y)
# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, x_max]x[y_min, y_max].
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 = .02 # step size in the mesh
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])
# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=cmap_light)
# Plot also the training points
plt.scatter(X[:, 0], X[:,1], c=Y, marker='x',edgecolors='k', cmap=cmap_bold)
plt.xlabel('Sepal length'),
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()
但是我觉得它很难读懂。我想在左上角为每个分类和图例设置其他标记。如下图所示:
你知道我该怎么改变吗?我玩了
marker='s'
,marker='x'
,但是这些改变了散点图上的所有点,而不是一个特定的分类。因为您是用分类值绘制的,所以您可以单独绘制每个类:
# Replace this
# plt.scatter(X[:, 0], X[:,1], c=Y, marker='x',edgecolors='k', cmap=cmap_bold)
# with this
markers = 'sxo'
for m,i in zip(markers,np.unique(Y)):
mask = Y==i
plt.scatter(X[mask, 0], X[mask,1], c=cmap_bold.colors[i],
marker=m,edgecolors='k', label=i)
plt.legend()
输出:
您需要将对
plt.scatter的单个调用更改为对每个标记类型的一个调用,因为matplotlib不允许像对颜色那样传递多个标记类型
绘图代码类似于
#将结果放入彩色绘图中
Z=Z.重塑(xx.形状)
plt.图(1,figsize=(4,3))
plt.pcolormesh(xx,yy,Z,cmap=cmap_灯)
#同时绘制训练点
X0=X[Y==0]
X1=X[Y==1]
X2=X[Y==2]
Y0=Y[Y==0]
Y1=Y[Y==1]
Y2=Y[Y==2]
plt.散射(X0[:,0],X0[:,1],marker='s',color=“red”)
plt.散射(X1[:,0],X1[:,1],marker='x',color=“blue”)
plt.散射(X2[:,0],X2[:,1],marker='o',color='green'))
plt.xlabel(‘萼片长度’),
plt.ylabel('萼片宽度')
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.xticks(())
plt.yticks(())
plt.show()
您可以在其中单独设置每个类的标记类型和颜色。您还可以创建标记类型列表和颜色列表,并使用循环。
- 我发现从
X
和Y
创建一个数据帧,然后用图形绘制数据点更容易。
- 是matplotlib的高级api
- 如中所示,dataframe列可用于指定拟合的所有数据以及x和y最小值和最大值
加载并设置数据
将numpy导入为np
将matplotlib.pyplot作为plt导入#版本3.3.1
从sklearn.linear_模型导入逻辑回归
从sklearn导入数据集
从matplotlib.colors导入ListedColormap
进口seaborn#versuin 0.11.0
导入熊猫#版本1.1.3
cmap#U light=ListedColormap(['#ffaaa','#AAFFAA','#AAAAFF']))
cmap#u bold=ListedColormap(['FF0000','00FF00','0000FF']))
#seaborn.scatterplot调色板参数采用列表
调色板=['#FF0000'、'#00FF00'、'#0000FF']
#导入一些数据进行播放
iris=数据集。加载\u iris()
X=iris.data[:,:2]#我们只取前两个特征。
Y=iris.target
#将X&Y添加到数据帧
df=pd.DataFrame(X,columns=iris.feature\u名称[:2])
df['label']=Y
#将数值映射到物种名称并将其添加到数据框
物种地图=dict(zip(范围(3),鸢尾。目标名称))
df['species']=df.label.map(物种地图)
logreg=逻辑回归(C=1e5)
#创建Logistic回归分类器实例并拟合数据。
对数调节配合(X,Y)
#绘制决策边界。为此,我们将为每种颜色指定一种颜色
#网格中的点[x_min,x_max]x[y_min,y_max]。
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=.02#网格中的步长
xx,yy=np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h))
Z=logreg.predict(np.c_uxx.ravel(),yy.ravel())
#将结果放入彩色绘图中
Z=Z.重塑(xx.形状)
绘制数据
plt.图(1,figsize=(8,6))
plt.pcolormesh(xx,yy,Z,cmap=cmap_light,shading='auto')
#同时绘制训练点
#使用seaborn添加数据点
散点图(数据=df,x='萼片长度(厘米)',y='萼片宽度(厘米)',色调='物种',
style='classes',edgecolor='k',alpha=0.5,palete=palete,s=70)
#更改图例位置
plt.图例(标题=物种,位置=2)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#plt.xticks(())
#plt.yticks(())
plt.show()
alpha=0.5
与sns.scatterplot
一起使用,以显示'versicolor'
和'virginica'的某些值重叠
- 如果图例需要
species
标签,而不是名称,请将hue='species'
更改为hue='label'