我正在从 Python 数据科学手册中学习，并使用相同的代码获得了不同的图表。 怎么了？

Question

这是本书和输出中的确切代码：

plt.scatter(data_projected[:, 0], data_projected[:, 1], c=digits.target,
            edgecolor='none', alpha=0.5,
            cmap=plt.cm.get_cmap('spectral', 10))
plt.colorbar(label='digit label', ticks=range(10))
plt.clim(-0.5, 9.5);

输出：

这是我的代码：

plt.scatter(data_projected[:, 0], data_projected[:, 1], 
            c=digits.target,
            edgecolor = 'none', alpha= 0.5,
            cmap = plt.cm.get_cmap('tab10', 10))
plt.colorbar(label='digit label', ticks = range(10))
plt.clim(-0.5, 9.5)

输出：

我想我需要在设置中更改某些内容或做一些不那么复杂但不知道是什么的事情。 或者他们改变了数据集？

PS我故意改变颜色，它不会对代码产生任何影响。

本书章节： https : //jakevdp.github.io/PythonDataScienceHandbook/05.02-introducing-scikit-learn.html

Answer 1

关于镜像，考虑到投影涉及基向量的任意选择。 我绝不是机器学习专家，因此我无法详细介绍算法的确切工作原理。 但是如果你多次运行相同的代码，你可能会得到所有可能的方向，例如 25 次运行：

import matplotlib.pyplot as plt
from sklearn.manifold import Isomap
from sklearn.datasets import load_digits

digits = load_digits()


fig, axs = plt.subplots(5,5, figsize=(16,9), sharex=True, sharey=True)
for ax in axs.flat:
    iso = Isomap(n_components=2)
    iso.fit(digits.data)
    data_projected = iso.transform(digits.data)
    im = ax.scatter(data_projected[:, 0], data_projected[:, 1], c=digits.target,
                    s=4, 
            edgecolor='none', alpha=0.5,
            norm=plt.Normalize(-.5, 9.5),
            cmap=plt.cm.get_cmap('tab10', 10))

fig.colorbar(im, label='digit label', ax=axs, ticks=range(10))


plt.show()