【Python实例第35讲】高斯过程分类:Iris数据集
机器学习训练营——机器学习爱好者的自由交流空间(qq 群号:696721295)
这个例子演示了高斯过程分类的预测概率,分别对应isotropic
and anisotropic
RBF核。数据集是iris数据集的二维版本。结果显示, anisotropic RBF核获得了稍微高一些的对数边际似然。
实例代码
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features.
y = np.array(iris.target, dtype=int)h = .02 # step size in the meshkernel = 1.0 * RBF([1.0])
gpc_rbf_isotropic = GaussianProcessClassifier(kernel=kernel).fit(X, y)
kernel = 1.0 * RBF([1.0, 1.0])
gpc_rbf_anisotropic = GaussianProcessClassifier(kernel=kernel).fit(X, y)# create a mesh to plot in
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))titles = ["Isotropic RBF", "Anisotropic RBF"]
plt.figure(figsize=(10, 5))
for i, clf in enumerate((gpc_rbf_isotropic, gpc_rbf_anisotropic)):# Plot the predicted probabilities. For that, we will assign a color to# each point in the mesh [x_min, m_max]x[y_min, y_max].plt.subplot(1, 2, i + 1)Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])# Put the result into a color plotZ = Z.reshape((xx.shape[0], xx.shape[1], 3))plt.imshow(Z, extent=(x_min, x_max, y_min, y_max), origin="lower")# Plot also the training pointsplt.scatter(X[:, 0], X[:, 1], c=np.array(["r", "g", "b"])[y],edgecolors=(0, 0, 0))plt.xlabel('Sepal length')plt.ylabel('Sepal width')plt.xlim(xx.min(), xx.max())plt.ylim(yy.min(), yy.max())plt.xticks(())plt.yticks(())plt.title("%s, LML: %.3f" %(titles[i], clf.log_marginal_likelihood(clf.kernel_.theta)))plt.tight_layout()
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35讲】高斯过程分类:Iris数据集相关推荐
- Python 3实现k-邻近算法以及 iris 数据集分类应用
前言 这个周基本在琢磨这个算法以及自己利用Python3 实现自主编程实现该算法.持续时间比较长,主要是Pyhton可能还不是很熟练,走了很多路,基本是一边写一边学.不过,总算是基本搞出来了.不多说, ...
- python聚类分析散点图_使用sklearn对iris数据集进行聚类分析
导入库 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns fro ...
- 原生Python实现KNN算法,并用鸢尾花(iris)数据集测试
用原生python语法实现K近邻算法,了解K近邻法的实际操作内核,并用自带鸢尾花的集合验证K近邻算法,并掌握运用散点图的绘制 先对KNN算法做了解: 源代码获取: https://github.com ...
- 逻辑回归分类Iris数据集
逻辑回归原理 逻辑回归的本质就是线性回归的一种.名称虽然是逻辑回归,但却是解决二分类问题的一种最常用方法之一.在工业界和SVM算法都是相当经典的二分类算法. 下图是手推的逻辑回归相关概念的集合. ...
- tensorflow2.0莺尾花iris数据集分类|超详细
tensorflow2.0莺尾花iris数据集分类 超详细 直接上代码 #导入模块 import tensorflow as tf #导入tensorflow模块from sklearn import ...
- python计算iris数据集的均值_模糊C均值聚类算法及python实现
目录 本文采用数据集为iris,将iris.txt放在程序的同一文件夹下.请先自行下载好. 模糊理论 模糊控制是自动化控制领域的一项经典方法.其原理则是模糊数学.模糊逻辑.1965,L. A. Zad ...
- 混淆矩阵是什么?Python多分类的混淆矩阵计算及可视化(包含原始混淆矩阵及归一化的混淆矩阵):基于skelarn框架iris数据集
混淆矩阵是什么?Python多分类的混淆矩阵计算及可视化(包含原始混淆矩阵及归一化的混淆矩阵):基于skelarn框架iris数据集 目录
- Python实现knn分类算法(Iris 数据集)
1.KNN分类算法 KNN分类算法(K-Nearest-Neighbors Classification),又叫K近邻算法,是一个概念极其简单,而分类效果又很优秀的分类算法. 他的核心思想就是,要确定 ...
- 【机器学习算法】手动Python实现KNN分类算法,并用iris数据集检验模型效果
目录 一.KNN算法Python实现 1.导入包 2. 画图,展示不同电影在图上的分布 3.训练样本和待测样本准备 4.计算待测样本点到每个训练样本点的距离 5.查找离待测样本点最近的K个训练样本点的 ...
- Python机器学习实验二:1.编写代码,实现对iris数据集的KNN算法分类及预测
Python机器学习实验二:编写代码,实现对iris数据集的KNN算法分类及预测 1.编写代码,实现对iris数据集的KNN算法分类及预测,要求: (1)数据集划分为测试集占20%: (2)n_nei ...
最新文章
- AjaxControlToolKit之DragPanelExtender用法
- ubuntu raid 配置磁盘阵列
- 计算机网络画出发送窗口变化,2010年7月计算机网络原理试题及答案
- QueryDict对象
- 【MySQL】MySQL SQL查询语法建议
- asp.net mvc asp.net 页面跳转
- cgroup学习(二)——cgroup框架结构
- php弹窗拨打电话,调用系统的拨打电话,不弹框或多次出现弹框问题
- mxnet:Optimizer rescale_grad
- 《生物信息学:导论与方法》--本体论、分子通路鉴定--听课笔记(十九)
- p语言是python吗-Python是什么?简单了解pythonp-入门
- 用加密锁实现网站身份认证
- 毕业设计 嵌入式 智能火灾报警器设计与实现
- 湖南多校对抗赛(2014.03.16) C.Pings
- Web Form ,winform ,
- 疫情时代下,普通人如何在不确定的世界活得好一点?
- 利用c#+jquery+ichartjs生成统计图表
- 思必驰俞凯图解认知计算是什么?
- CCIE自学-by闫辉NP视频:MPLS小结
- win7/8/10系统好用的视频剪辑软件对比