sklearn 绘制来自 SVM 分类器的结果
Posted
技术标签:
【中文标题】sklearn 绘制来自 SVM 分类器的结果【英文标题】:sklearn ploting results from SVM classifier 【发布时间】:2013-08-16 04:16:56 【问题描述】:我正在尝试绘制我的 svm 分类器结果。 “小程序”显示为here。对于绘图,我将继续使用this scikit-learn 的示例。我已经修改了代码,如下所示。好吧,我不知道我是否走在正确的道路上,因为如果集群中心(100 到 300 个原始数据之间)也减少或发生了什么,我不明白我何时将我的数据减少到二维当我试图采用大的“维度”并将它们压缩成二维时。也许有人可以为我解释一下^^
#!/usr/bin/env python
import numpy as np
import pylab as pl
from matplotlib.colors import ListedColormap
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
def reduce_dim(datas):
pca = PCA(n_components=2)
pca.fit(datas)
data_pca = pca.transform(datas)
return data_pca
def plotter_plot(kmeans, clf, X, X_train, X_test, y_train, y_test):
names = ["RBF SVM"]
classifiers = []
classifiers.append(clf)
h = .01 # step size in the mesh
X_r = reduce_dim(X)
X_train_r = reduce_dim(X_train)
X_test_r = reduce_dim(X_test)
figure = pl.figure(figsize=(15, 5))
x_min, x_max = X_r[:, 0].min() - .5, X_r[:, 0].max() + .5
y_min, y_max = X_r[:, 1].min() - .5, X_r[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min, y_max, h))
# just plot the dataset first
cm = pl.cm.RdBu
cm_bright = ListedColormap(['#FF0000', '#0000FF'])
ax = pl.subplot(1, 2, 1)
# Plot the training points
ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
# and testing points
ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6)
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
ax.set_xticks(())
ax.set_yticks(())
i = 2
for name, clf in zip(names, classifiers):
ax = pl.subplot(1, 2, i)
clf.fit(X_train_r, y_train)
score = clf.score(X_test_r, y_test)
# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, m_max]x[y_min, y_max].
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]
# Put the result into a color plot
Z = Z.reshape(xx.shape)
ax.contourf(xx, yy, Z, cmap=cm, alpha=.8)
# Plot also the training points
ax.scatter(X_train_r[:, 0], X_train_r[:, 1], c=y_train, cmap=cm_bright)
# and testing points
ax.scatter(X_test_r[:, 0], X_test_r[:, 1], c=y_test, cmap=cm_bright,
alpha=0.6)
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
ax.set_xticks(())
ax.set_yticks(())
ax.set_title(name)
ax.text(xx.max() - .3, yy.min() + .3, ('%.2f' % score).lstrip('0'),
size=15, horizontalalignment='right')
i += 1
figure.subplots_adjust(left=.02, right=.98)
pl.show()
这是用 clf 再次拟合“减少数据”的正确方法吗?他们已经通过训练和分类适应了!那么是有错误还是我应该再次拟合二维数据?
谢谢...
【问题讨论】:
哦,嘿,琳达,是你 ^^ 在我发布答案后才看到 g 【参考方案1】:简短回答:您尝试做的事情是不可能的。 之前已经在 SO 上多次询问过这个问题。
您不能在 2d 中绘制 n 维决策面。 您可以做的只是在 2d 中绘制数据的投影并根据它们的预测标记它们。
有一个情节类似于您想要的in this example。 我是这个例子的作者,但我不确定这个情节有什么真正的意义。我从不使用这样的图来检查我的分类器。
【讨论】:
嗨 Andreas 我也在关注您引用的代码......那么代码的意义何在?您会推荐什么作为以图形方式(或近似 - 以某种方式显示)分类表面的好方法?谢谢! 代码是一次可视化的尝试。我宁愿尝试可视化点的标签而不是空间的标签。您可以进行流形学习/ pca 并根据它们的分类标记点。正如我在原始帖子中所说的那样,这应该会有所帮助。 谢谢安德烈亚斯!。 PCA 也在代码中完成,以根据类分散图。我想 t-SNE 也是一个很好的候选者。干杯。 是的,但不幸的是,我们在 sklearn 中还没有它。不过,我们确实有 LLE 和 Isomap。 还有一个问题,是否计划在某个时候支持 t-SNE?或者这将是一个贡献的好项目?以上是关于sklearn 绘制来自 SVM 分类器的结果的主要内容,如果未能解决你的问题,请参考以下文章
使用具有不同分类器的 sklearn precision_recall_curve 函数