[英]understand how this lambda function works
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?
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。
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()])
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()])
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)
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.