sklearn從SVM分類器繪制結果

Question

我正在嘗試繪制我的svm分類器結果。 該“微型PROGRAMM”顯示在這里 。 為了繪圖我正在繼續這個 scikit-learn的例子。 我已經修改了代碼，如下所示。 好吧，我不知道我是不是正確的方式，因為我不明白，當我將數據減少到2-D時，如果集群中心（100到300原始數據之間）也減少了或者發生了什么當我試圖采取大“尺寸”並將它們擠入二維時。 也許有人可以為我解釋^^

#!/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()

這是用clf重新擬合“減少數據”的正確方法嗎？ 他們已經適合訓練和分類！ 那么有錯誤還是我應該再次適應二維數據？

謝謝...

Answer 1

簡短的回答：你想要做的是不可能的。 之前有人問過這個問題。

您無法在2d中繪制n維決策曲面。 您可以做的只是在2d中繪制數據的投影，並根據他們的預測標記它們。

在本例中 ，有一個類似於你想要的東西。 我是這個例子的作者，但我不確定情節是否有任何實際意義。 我從不使用這樣的情節來檢查我的分類器。