Python 辅助函数绘制的子图发生意外移位

我正在尝试将两个绘图合并为一个：

在左边的图中，我想用OVA分类器对应的超平面显示决策边界，在右边的图中，我想显示决策概率

这是迄今为止的代码：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sn

from sklearn import datasets
from sklearn import preprocessing
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import SGDClassifier
from sklearn.svm import SVC

def plot_hyperplane(c, color, fitted_model):
    """
    Plot the one-against-all classifiers for the given model.

    Parameters
    --------------

    c : index of the hyperplane to be plot
    color : color to be used when drawing the line
    fitted_model : the fitted model
    """
    xmin, xmax = plt.xlim()
    ymin, ymax = plt.ylim()

    try:
        coef = fitted_model.coef_
        intercept = fitted_model.intercept_
    except:
        return

    def line(x0):
        return (-(x0 * coef[c, 0]) - intercept[c]) / coef[c, 1]

    plt.plot([xmin, xmax], [line(xmin), line(xmax)], ls="--", color=color, zorder=3)


def plot_decision_boundary(X, y, fitted_model, features, targets):
    """
    This function plots a model decision boundary as well as it tries to plot 
    the decision probabilities, if available.
    Requires a model fitted with two features only.

    Parameters
    --------------

    X : the data to learn
    y : the classification labels
    fitted_model : the fitted model
    """
    cmap = plt.get_cmap('Set3')
    prob = cmap
    colors = [cmap(i) for i in np.linspace(0, 1, len(fitted_model.classes_))]

    plt.figure(figsize=(9.5, 5))
    for i, plot_type in enumerate(['Decision Boundary', 'Decision Probabilities']):
        plt.subplot(1, 2, i+1)

        mesh_step_size = 0.01  # step size in the mesh
        x_min, x_max = X[:, 0].min() - .1, X[:, 0].max() + .1
        y_min, y_max = X[:, 1].min() - .1, X[:, 1].max() + .1
        xx, yy = np.meshgrid(np.arange(x_min, x_max, mesh_step_size), np.arange(y_min, y_max, mesh_step_size))
        # First plot, predicted results using the given model
        if i == 0:
            Z = fitted_model.predict(np.c_[xx.ravel(), yy.ravel()])
            for h, color in zip(fitted_model.classes_, colors):
                plot_hyperplane(h, color, fitted_model) 
        # Second plot, predicted probabilities using the given model
        else:
            prob = 'RdYlBu_r'
            try:
                Z = fitted_model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
            except:
                plt.text(0.4, 0.5, 'Probabilities Unavailable', horizontalalignment='center', 
                         verticalalignment='center', transform=plt.gca().transAxes, fontsize=12)
                plt.axis('off')
                break
        Z = Z.reshape(xx.shape)
        # Display Z
        plt.imshow(Z, interpolation='nearest', cmap=prob, alpha=0.5, 
                   extent=(x_min, x_max, y_min, y_max), origin='lower', zorder=1)
        # Plot the data points
        for i, color in zip(fitted_model.classes_, colors):
            idx = np.where(y == i)
            plt.scatter(X[idx, 0], X[idx, 1], facecolor=color, edgecolor='k', lw=1,
                        label=iris.target_names[i], cmap=cmap, alpha=0.8, zorder=2)
        plt.title(plot_type + '\n' + 
                  str(fitted_model).split('(')[0]+ ' Test Accuracy: ' + str(np.round(fitted_model.score(X, y), 5)))
        plt.xlabel(features[0])
        plt.ylabel(features[1])
        plt.gca().set_aspect('equal')   
    plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))    
    plt.tight_layout()
    plt.subplots_adjust(top=0.9, bottom=0.08, wspace=0.02)
    plt.show()


if __name__ == '__main__': 
    iris = datasets.load_iris()
    X = iris.data[:, [0, 2]]
    y = iris.target

    scaler = preprocessing.StandardScaler().fit_transform(X)

    clf1 = DecisionTreeClassifier(max_depth=4)
    clf2 = KNeighborsClassifier(n_neighbors=7)
    clf3 = SVC(kernel='rbf', probability=True)
    clf4 = SGDClassifier(alpha=0.001, n_iter=100).fit(X, y)

    clf1.fit(X, y)
    clf2.fit(X, y)
    clf3.fit(X, y)
    clf4.fit(X, y)

    plot_decision_boundary(X, y, clf1, iris.feature_names, iris.target_names[[0, 2]])
    plot_decision_boundary(X, y, clf2, iris.feature_names, iris.target_names[[0, 2]])
    plot_decision_boundary(X, y, clf3, iris.feature_names, iris.target_names[[0, 2]])
    plot_decision_boundary(X, y, clf4, iris.feature_names, iris.target_names[[0, 2]])

结果是：

可以看出，对于给定代码中的最后一个示例clf4，到目前为止，我无法在错误的位置绘制超平面。我不知道如何纠正这个问题。应将它们转换为与所用特征相关的正确范围，以适合模型

---

谢谢。

显然，问题是代表超平面的虚线的端点与最终和预期的xlim和ylim不一致。这种情况的一个好处是已经定义了x_min，x_max，y_min，y_max。因此，在绘制超平面之前，请使用该选项并通过应用以下3行来修复xlim和ylim。具体来说，请在注释行前面添加使用给定模型绘制的第一个预测结果

---

当我尝试此操作时，出现错误，Python停止工作：QWindowsWindow:：setGeometry:无法在QWidgetWindow/'MainWindowClassWindow'上设置几何体1000x1069+9+38。结果几何体：1000x1055+9+38帧：9,38,9,9，自定义边距：0,0,0，最小尺寸：72x69，最大尺寸：16777215x16777215。@pceccon看起来这是一个Qt问题，但我没有看到Qt在您的OP中的位置。很抱歉，我没有考虑到这一点。而且我不擅长pyqt。要解决您的问题，一个选择是尝试不使用Qt的代码，就像在Jupyter笔记本中一样。这将帮助您确定绘制超平面位置错误问题的原因。如果xlim和ylim确实是原因，那么您可以解决如何使用Qt设置xlim和ylim的问题。希望这会有所帮助…我不会显式导入pyqt。我会设法解决这个问题。谢谢。@pceccon不客气。很抱歉，我不能给你一个完整的解决方案。

        ax = plt.gca()
        ax.set_xlim((x_min, x_max), auto=False)
        ax.set_ylim((y_min, y_max), auto=False)