plt.pcolormesh绘制分类图

# -*- coding: utf-8 -*-

'''
多元分类：逻辑回归分类器 并绘制pcolormesh伪彩图
sklearn.linear_model.LogisticRegression(
        solver='liblinear',
        C=正则强度)
'''
# pcolormesh(x, y, c=d, cmap='jet') cmap:渐变色映射

plt.pcolormesh(...):

    a = np.array([1, 2, 3])
    b = np.array([-1, -2, -3, -4])

    a.shape, b.shape
    Out[55]: ((3,), (4,))

    c = np.meshgrid(a, b); c       # c is a 'list', not 'numpy.array'
    Out[57]:                       # c[0]：沿行(axis=0)广播, 每一行元素跟上一行相同
    [array([[1, 2, 3],             # c[1]：沿列(axis=1)广播, 每一列元素跟上一列相同
            [1, 2, 3],             # (c[0],c[1])组成的坐标点(x,y)将覆盖并形成(1<=x<=3,-4<=y<=-1)区间组成的2*3的矩形
            [1, 2, 3],
            [1, 2, 3]]), 
    array([[-1, -1, -1],
            [-2, -2, -2],
            [-3, -3, -3],
            [-4, -4, -4]])]

    c[0].shape, c[1].shape
    Out[61]: ((4, 3), (4, 3))

    plt.pcolormesh(c[0], c[1], c=...)             # c[0]表示点横坐标，c[1]表示纵坐标
    对样本(c[0], c[1])周围（包括样本所在坐标）的四个坐标点进行着色，C代表着色方案
        # 点(c[0], c[1])所有坐标点如下：
        '''
            ^
            |---1------2------3---->
            |
           -1  (1,-1) (2,-1) (3,-1)
            |
           -2  (1,-2) (2,-2) (3,-2)
            |
           -3  (1,-3) (2,-3) (3,-3)
            |
           -4  (1,-4) (2,-4) (3,-4)
            |
            '''

# -*- coding: utf-8 -*-
"""
Created on Tue Jul 31 16:12:18 2018

@author: Administrator
"""
'''
多元分类：逻辑回归分类器
sklearn.linear_model.LogisticRegression(
        solver='liblinear',
        C=正则强度)
'''

import numpy as np
import matplotlib.pyplot as plt
import sklearn.linear_model as lm

# train_set
x = np.array([
        [4, 7],
        [3.5, 8],
        [3.1, 6.2],
        [0.5, 1],
        [1, 2],
        [1.2, 1.9],
        [4, 2],
        [5.7, 1.5],
        [5.4, 2.2]])                                             # 散点[x,y]
y = np.array([0, 0, 0, 1, 1, 1, 2, 2, 2])                        # 多元分类 3类

# 逻辑回归分类器
model = lm.LogisticRegression(solver='liblinear', C=50)          # C
model.fit(x, y)

plt.figure('Logistic Classification', facecolor='lightgray')
plt.title('Logistic Classification', fontsize=14)
plt.xlabel('x', fontsize=14)
plt.ylabel('y', fontsize=14)
plt.tick_params(labelsize=10)

'''
pcolormesh参数设置：
'''
l, r, h = x[:, 0].min() - 1, x[:, 0].max() + 1, 0.005            # 左边界，右边界，水平方向点间距
b, t, v = x[:, 1].min() - 1, x[:, 1].max() + 1, 0.005            # 下边界，上边界，垂直方向点间距

#print(np.arange(l, r, h).shape, np.arange(b, t, v).shape)       # (1440,) (1800,),shape不同，不能直接作为输入,转为
grid_x = np.meshgrid(np.arange(l, r, h), np.arange(b, t, v))     # (m-array,n-array)--> list(mat(m,n), mat(m,n))

print(grid_x[0])                                                 # x[i, j]  (1800, 1440)  
print(grid_x[1])                                                 # y[i, j]  (1800, 1440)  
#print(grid_x[1].shape)                                          # (1800, 1440) 
flat_x = np.c_[grid_x[0].ravel(), grid_x[1].ravel()]             # 保证输入散点的坐标点横纵坐标个数一样
flat_y = model.predict(flat_x)                                   # 输入栅格点阵坐标，模型预测输出的分类
grid_y = flat_y.reshape(grid_x[0].shape)                         # 分类标签：用做pcolormesh栅格着色的依据
print(grid_y)
#[[1 1 1 ... 2 2 2]             # 0, 1, 2 分别代表三种不同颜色
# [1 1 1 ... 2 2 2]
# [1 1 1 ... 2 2 2]
# ...
# [0 0 0 ... 0 0 0]
# [0 0 0 ... 0 0 0]
# [0 0 0 ... 0 0 0]]


# pcolormesh: 伪彩图 pcolormesh(X, Y, C) 
# X,Y均为2-D array,如果为1-D 会自动广播，X和Y构成网格点阵
# X,Y对应位置元素x[i,j]和y[i,j]组成一个坐标点(x[i,j],y[i,j])，对样本周围（包括样本所在坐标）的四
#个坐标点进行着色，C代表着色方案
plt.pcolormesh(grid_x[0], grid_x[1], grid_y, cmap='gray')       # gray_r 与gray的色带相反

plt.scatter(x[:, 0], x[:, 1], c=y, cmap='brg', s=60)            # 颜色映射

 

接下来主要介绍如何利用plt.pcolormesh来绘制如下的分类图

plt.pcolormesh的作用在于能够直观表现出分类边界。如果只是单纯的绘制散点图，效果如下：

那么我们就看不出分类的边界。

下面将以鸢尾花数据集为例说明如何使用plt.pcolormesh，该数据集一共包含3类鸢尾花的数据

首先引入必要的库

1. import numpy as np

2. import pandas as pd

3. import matplotlib as mpl

4. import matplotlib.pyplot as plt

5. from sklearn.tree import DecisionTreeClassifier

然后读取鸢尾花数据集，并对数据做一定的处理

1. iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度',u'类别'

2. path = 'iris.data'  # 数据文件路径

3. data = pd.read_csv(path, header=None)

4. data.columns=iris_feature

5. data['类别']=pd.Categorical(data['类别']).codes

处理完成后，一共有150组数据，数据长下面这样子

取花萼长度和花瓣长度做为特征，训练决策树模型

1. x_train = data[['花萼长度','花瓣长度']]

2. y_train = data['类别']

3. model = DecisionTreeClassifier(criterion='entropy', min_samples_leaf=3)

4. model.fit(x_train, y_train)

训练完模型后，现在需要画出分类边界，首先需要在横纵坐标各取500点，一共组成2500个点，然后把这2500个点送进决策树，来算出所属的种类，代码如下：

1. N, M = 500, 500 # 横纵各采样多少个值

2. x1_min, x2_min = x_train.min(axis=0)

3. x1_max, x2_max = x_train.max(axis=0)

4. t1 = np.linspace(x1_min, x1_max, N)

5. t2 = np.linspace(x2_min, x2_max, M)

6. x1, x2 = np.meshgrid(t1, t2) # 生成网格采样点

7. x_show = np.stack((x1.flat, x2.flat), axis=1) # 测试点

8. y_predict=model.predict(x_show)

接着就可以绘制出分类图了。由于该数据集中一共有三种鸢尾花，所以绘制图片的时候需要三种颜色

1. cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])

2. cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])

接着使用plt.pcolormesh来绘制分类图

1. plt.pcolormesh(x1, x2, y_predict.reshape(x1.shape), cmap=cm_light)

2. plt.show()

plt.pcolormesh()会根据y_predict的结果自动在cmap里选择颜色

结果如下图

接着再把散点图也画上就大功告成了，结果如下：

完整代码如下

1. import numpy as np

2. import pandas as pd

3. import matplotlib as mpl

4. import matplotlib.pyplot as plt

5. from sklearn.tree import DecisionTreeClassifier

6.  

7. iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度',u'类别'

8. path = 'iris.data' # 数据文件路径

9. data = pd.read_csv(path, header=None)

10. data.columns=iris_feature

11. data['类别']=pd.Categorical(data['类别']).codes

12. x_train = data[['花萼长度','花瓣长度']]

13. y_train = data['类别']

14. model = DecisionTreeClassifier(criterion='entropy', min_samples_leaf=3)

15. model.fit(x_train, y_train)

16.  

17. N, M = 500, 500 # 横纵各采样多少个值

18. x1_min, x2_min = x_train.min(axis=0)

19. x1_max, x2_max = x_train.max(axis=0)

20. t1 = np.linspace(x1_min, x1_max, N)

21. t2 = np.linspace(x2_min, x2_max, M)

22. x1, x2 = np.meshgrid(t1, t2) # 生成网格采样点

23. x_show = np.stack((x1.flat, x2.flat), axis=1) # 测试点

24. y_predict=model.predict(x_show)

25.  
26.  

27. mpl.rcParams['font.sans-serif'] = ['SimHei']

28. mpl.rcParams['axes.unicode_minus'] = False

29. cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])

30. cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])

31. plt.xlim(x1_min, x1_max)

32. plt.ylim(x2_min, x2_max)

33. plt.pcolormesh(x1, x2, y_predict.reshape(x1.shape), cmap=cm_light)

34. plt.scatter(x_train['花萼长度'],x_train['花瓣长度'],c=y_train,cmap=cm_dark,marker='o',edgecolors='k')

35. plt.xlabel('花萼长度')

36. plt.ylabel('花瓣长度')

37. plt.title('鸢尾花分类')

38. plt.grid(True,ls=':')

39. plt.show()