了解此lambda函数如何工作

Question

我以为我理解了lambda函数是如何工作的，尽管我自己并不使用它们。 但是本教程下面的lambda完全让我感到困惑：

import matplotlib.pyplot as plt
import numpy as np
import sklearn
import sklearn.datasets
import sklearn.linear_model
import matplotlib

那很简单。 更多：

# Generate a dataset and plot it
np.random.seed(0)
X, y = sklearn.datasets.make_moons(200, noise=0.20)
plt.scatter(X[:,0], X[:,1], s=40, c=y, cmap=plt.cm.Spectral)
clf = sklearn.linear_model.LogisticRegressionCV()
clf.fit(X, y)

# Helper function to plot a decision boundary.
# If you don't fully understand this function don't worry, it just generates the contour plot below.

def plot_decision_boundary(pred_func):

    # Set min and max values and give it some padding
    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 = 0.01

    # Generate a grid of points with distance h between them
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

    # Predict the function value for the whole gid
    Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)

    # Plot the contour and training examples
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)

现在我不明白这一行：

plot_decision_boundary(lambda x: clf.predict(x))

我已经读过很多次lambda如何工作的信息，但是我只是不明白x在这里如何传递以前的正确值。 x如何映射到相关值？

Answer 1

lambda只是匿名函数。 lambda主体只能是一个表达式（作为可放入函数的子集），因为它们必须与其他代码内联。

plot_decision_boundary(lambda x: clf.predict(x))可以重写为

def call_clf_predict(x):
    return clf.predict(x)
plot_decision_boundary(call_clf_predict)

在这里，它更清楚发生了什么。 plot_decision_boundary获取一个可调用对象，并使用单个参数np.c_[xx.ravel(), yy.ravel()] 。

但首先不应该在这里使用lambda。 你可以做

plot_decision_boundary(clf.predict)

在python教程的悠久传统中，lambda再次被滥用。

Answer 2

plot_decision_boundary(lambda x: clf.predict(x))

这行代码传递了一个函数，该函数将单个参数传递给方法。 当计算lambda或使用参数x调用该方法时，它将执行clf.predict(x)

在该方法中，该函数名为pred_func并使用其单个参数调用

Z = pred_func(np.c_[xx.ravel(), yy.ravel()])

所以运行的代码是

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) 

Answer 3

x是您在此处传递的串联的Numpy对象：

Z = pred_func(np.c_[xx.ravel(), yy.ravel()])

pred_func是plot_decision_boundary()的参数； 通过调用它，您可以调用由lambda定义的函数对象。 上一行转换为：

clf.predict(np.c_[xx.ravel(), yy.ravel()])

Answer 4

plot_decision_boundary（pred_func）实际上需要三个输入X,y,pred_func

如果clf.predict(x)仅将x作为输入，则不需要lambda。 但是，对于其他预测功能，可能需要更多输入（例如func(parameters, x)作为pred_func ）和不接受参数的外部函数（ plot_decision_boundary ），我们需要从头开始插入它们：

plot_decision_boundary(lambda x: func(parameters, x), X, y)    

Answer 5

我们要绘制轮廓，因此我们需要X轴，Y轴和Z轴的相应值使用不同的坐标。

pred_func() is clf.predict(x), ie. the lambda function

因此，当您生成并连接网格物体（ 这是理解串联的一个很好的链接 ）并将其传递给pred_func ，您实际上在传递lambda函数的x参数中的值，该参数从lambda函数clf.predict()输出预测clf.predict()即。 Z矩阵（输出z，对应于Feature1和Feature2的不同值），用于绘制轮廓。