กราฟขอบเขตการตัดสินใจ k-NN ใน Matplotlib

ในการสร้างขอบเขตการตัดสินใจของกราฟ k-NN ใน matplotlib เราสามารถทำตามขั้นตอนต่อไปนี้

ขั้นตอน

• กำหนดขนาดรูปและปรับช่องว่างภายในระหว่างและรอบๆ แผนผังย่อย

• เริ่มต้นตัวแปร n_neighbors สำหรับจำนวนเพื่อนบ้าน

• โหลดและส่งคืน ม่านตา ชุดข้อมูล (การจัดประเภท)

• สร้าง x และ ย จุดข้อมูล

• ทำรายการสีเข้มและสีอ่อน

• ลักษณนามดำเนินการลงคะแนนเสียงเพื่อนบ้านที่ใกล้ที่สุด k

• สร้าง xmin, xmax, ymin และ ymax จุดข้อมูล

• สร้างตัวเลขใหม่หรือเปิดใช้งานตัวเลขที่มีอยู่

• สร้างเค้าโครงเค้าโครง

• สร้างพล็อตกระจายด้วยชุดข้อมูล X

• ตั้งค่า x และ ย ป้ายชื่อแกน ชื่อและมาตราส่วนของแกน

• หากต้องการแสดงรูป ให้ใช้ แสดง() วิธีการ

ตัวอย่าง

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.colors import 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()

ผลลัพธ์

มันจะสร้างผลลัพธ์ต่อไปนี้ -