机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

这个例子将用图形表示不同分类器的分类概率。所谓“分类概率”，是指某个数据点属于各个类别的概率。将所有数据点属于任何类的概率，用颜色深浅表示，作出分类概率图。

在这里，我们使用一个三类的数据集，分别用支持向量机(SVC)、L1 and L2惩罚的Logistic回归和高斯过程分类。默认情况下，线性SVC并不是一个概率分类器，但是可以通过设置参数probability=True改变。具有One v.s. Rest的Logistic回归并不是一个多类别分类器，因此，在分隔类2，类3时要比其它分类器复杂些。

实例详解

首先，导入必需的库。

print(__doc__)# Author: Alexandre Gramfort <alexandre.gramfort@inria.fr>
# License: BSD 3 clauseimport matplotlib.pyplot as plt
import numpy as npfrom sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
from sklearn import datasets

本例使用的是鸢尾花数据集iris, 并且只用前2个特征作图。

iris = datasets.load_iris()
X = iris.data[:, 0:2]  # we only take the first two features for visualization
y = iris.targetn_features = X.shape[1]

定义不同的分类器，它们是：

L1惩罚的Logistic回归
L2惩罚的多类Logistic回归
L2惩罚的二类Logistic回归
线性SVC
高斯过程分类GPC

C = 10
kernel = 1.0 * RBF([1.0, 1.0])  # for GPC# Create different classifiers.
classifiers = {'L1 logistic': LogisticRegression(C=C, penalty='l1',solver='saga',multi_class='multinomial',max_iter=10000),'L2 logistic (Multinomial)': LogisticRegression(C=C, penalty='l2',solver='saga',multi_class='multinomial',max_iter=10000),'L2 logistic (OvR)': LogisticRegression(C=C, penalty='l2',solver='saga',multi_class='ovr',max_iter=10000),'Linear SVC': SVC(kernel='linear', C=C, probability=True,random_state=0),'GPC': GaussianProcessClassifier(kernel)
}n_classifiers = len(classifiers)

画出分类概率图。


plt.figure(figsize=(3 * 2, n_classifiers * 2))
plt.subplots_adjust(bottom=.2, top=.95)xx = np.linspace(3, 9, 100)
yy = np.linspace(1, 5, 100).T
xx, yy = np.meshgrid(xx, yy)
Xfull = np.c_[xx.ravel(), yy.ravel()]for index, (name, classifier) in enumerate(classifiers.items()):classifier.fit(X, y)y_pred = classifier.predict(X)accuracy = accuracy_score(y, y_pred)print("Accuracy (train) for %s: %0.1f%% " % (name, accuracy * 100))# View probabilities:probas = classifier.predict_proba(Xfull)n_classes = np.unique(y_pred).sizefor k in range(n_classes):plt.subplot(n_classifiers, n_classes, index * n_classes + k + 1)plt.title("Class %d" % k)if k == 0:plt.ylabel(name)imshow_handle = plt.imshow(probas[:, k].reshape((100, 100)),extent=(3, 9, 1, 5), origin='lower')plt.xticks(())plt.yticks(())idx = (y_pred == k)if idx.any():plt.scatter(X[idx, 0], X[idx, 1], marker='o', c='w', edgecolor='k')ax = plt.axes([0.15, 0.04, 0.7, 0.05])
plt.title("Probability")
plt.colorbar(imshow_handle, cax=ax, orientation='horizontal')plt.show()

精彩内容，请关注微信公众号：统计学习与大数据

【Python实例第15讲】分类概率图相关推荐

Python实例之CIFAR-10数据集分类
目录作者介绍数据集介绍代码实现 Reference 作者介绍王世豪,男,西安工程大学电子信息学院,2020级硕士研究生,张宏伟人工智能课题组. 研究方向:机器视觉与人工智能. 电子邮件:sha ...
shell实例第15讲：俄罗斯方块游戏
运行结果图: #!/bin/bash #作者:魏波 #时间:2017.02.04APP_NAME="${0##*[\\/]}" APP_VERSION="1.0" ...
Python实例15：霍兰德人格分析雷达图
Python实例15:霍兰德人格分析雷达图雷达图是多特性直观展示的重要方式: 霍兰德认为:人格兴趣与职业之间应有一种内在的对应关系: 人格分类:研究型.艺术型.社会型.企业型.传统型.现实型: 职业 ...
python实例豆瓣代码_Python实例：通过selenium模拟登陆豆瓣
前几天写的<Python实例:分析豆瓣影片评论Ver 1.0版本>文章中,关于爬取数据过频繁导致IP被封禁的事情让我对豆瓣数据的爬取中断了.忽然想到之前有写过关于关于使用selenium库 ...
python快速入门精讲_Python快速入门精讲
基础入门篇第0章从零开始3 0.1克服编程恐惧3 0.2如何写出好程序4 0.3为什么选择Python5 0.4Python的发展和应用6 0.5一些建议8 0.6多平台搭建Python开发环境10 ...
在python中浮点数怎样转整数_python 浮点数转整数python函数每日一讲 - all()
W WW.002pc .COM对<python 浮点数转整数python函数每日一讲 - all()>总结来说,为我们python培训很实用. all(iterable) 版本:该函数 ...
【数据分析师-python基础】python基础语法精讲
python基础语法精讲 1 从数字开始 1.1 理解整数.浮点数.复数几种类型对象 1.2 掌握运算及其相关的常用函数 2 变量.表达式和语句 2.1 变量作用及定义的方法 2.2 变量命名原则和习 ...
knn算法实例python_kNN算法及其Python实例
2017 September 10 kNN kNN算法及其Python实例在2006年12月召开的 IEEE 数据挖掘国际会议上(ICDM, International Conference on ...
python写文件读文件-Python 实例：读写文件
原标题:Python 实例:读写文件读写文件是最常见的IO操作.内置了读写文件的函数,用法和的读写文件非常类似.在磁盘上读写文件的功能都是由提供的,现代不允许普通的程序直接操作磁盘,所以,读写文件就 ...
python教程实例-Python实例教程
转自:http://codingdict.com/article/9026 Python 100例-01 题目: 输有1.2.3.4个数字,能组成多少个互不相同且无重复数字的三位数? Python 1 ...

【Python实例第15讲】分类概率图

实例详解

【Python实例第15讲】分类概率图相关推荐

最新文章

热门文章