为了在 matplotlib 中制作图 k-NN 决策边界,我们可以采取以下步骤。
设置图形大小并调整子图之间和周围的填充。
为邻居数初始化一个变量n_neighbors。
加载并返回iris数据集(分类)。
创建x和y数据点。
列出深色和浅色的列表。
分类器实现 k 近邻投票。
创建xmin、xmax、ymin和ymax 数据点。
创建新地物或激活现有地物。
创建一个轮廓图。
使用 X 数据集创建散点图。
设置轴的x和y轴标签、标题和比例。
要显示图形,请使用Show()方法。
import numpy as np importmatplotlib.pyplotas plt import seaborn as sns frommatplotlib.colorsimport ListedColormap from sklearn import neighbors, datasets plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True n_neighbors = 15 iris = datasets.load_iris() X = iris.data[:, :2] y = iris.target h = .02 cmap_light = ListedColormap(['orange', 'cyan', 'cornflowerblue']) cmap_bold = ['darkorange', 'c', 'darkblue'] clf = neighbors.KNeighborsClassifier(n_neighbors, weights='uniform') clf.fit(X, y) x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.figure() plt.contourf(xx, yy, Z, cmap=cmap_light) sns.scatterplot(x=X[:, 0], y=X[:, 1], hue=iris.target_names[y], palette=cmap_bold, alpha=1.0, edgecolor="black") plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.title("3-Class classification (k = %i, 'uniform' = '%s')" % (n_neighbors, 'uniform')) plt.xlabel(iris.feature_names[0]) plt.ylabel(iris.feature_names[1]) plt.Show()输出结果
它将产生以下输出 -