np.meshgrid & plt.contourf

吴恩达机器学习作业

https://blog.csdn.net/u013733326/article/details/79847918

np.meshgrid && plt.contourf

np.meshgrid 生成网格点坐标
二维坐标系中,X轴可以取三个值1,2,3, Y轴可以取三个值4,5,
(1,4)(2,4)(3,4)
(1,5)(2,5)(3,5)
返回list,有两个元素,第一个元素是X轴的取值,第二个元素是Y轴的取值

返回结果: [array([ [1,2,3] [1,2,3] ]), array([ [4,4,4] [5,5,5] ])]

 	xx, yy= np.meshgrid(a,b)
    """
    xx [1 2 3 1 2 3]
    yy [4 4 4 5 5 5]
    z [[1 4]
       [2 4]
       [3 4]
       [1 5]
       [2 5]
       [3 5]]
    """

def plot_decision_boundary(model,x,y):
    x_min, x_max = x[0,:].min() - 1, x[0,:].max() +1  # 第一个数据中最大最小值
    y_min, y_max = x[1,:].min() - 1, x[1,:].max() +1  # 第二个数据中最大最小值
    h = 0.01
    xx,yy = np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h))
    z = model(np.c_[xx.ravel(),yy.raverl()])
    z = z.reshape(xx.shape)
    plt.contourf(xx, yy, z,cmap=plt.cm.Spectral)
    plt.ylabel('x2')
    plt.xlabel('x1')
    plt.scatter(x[0, :], x[1, :], c=np.squeeze(y), cmap=plt.cm.Spectral)
    plt.show()

plt.contourf

https://blog.csdn.net/lens___/article/details/83960810
绘制等高线的，contour和contourf都是画三维等高线图的，不同点在于contour() 是绘制轮廓线，
contourf()会填充轮廓。除非另有说明，否则两个版本的函数是相同的。
参数： X,Y：类似数组，可选为Z中的坐标值
当 X,Y,Z 都是 2 维数组时，它们的形状必须相同。如果都是 1 维数组时，
len(X)是 Z 的列数，而 len(Y) 是 Z 中的行数。（例如，经由创建numpy.meshgrid()）
Z：类似矩阵绘制轮廓的高度值
levels：int或类似数组，可选确定轮廓线/区域的数量和位置
其他参数： aalpha：float ，可选
alpha混合值，介于0（透明）和1（不透明）之间。
cmap：str或colormap ，可选
Colormap用于将数据值（浮点数）从间隔转换为相应Colormap表示的RGBA颜 色。用于将数据缩放到间隔中看 。

        x = np.array([1,2,3])
        y = np.array([4,5])
        xx,yy = np.meshgrid(x,y)
        z =  xx**3 + yy**3
        # z.reshape(xx.shape)
        print('xx',xx.ravel())
        print('yy',yy.ravel())
        print('z',z)
        plt.contourf(xx, yy, z)
        plt.show()

绘制预测和实际不同的图像

def print_mislabeled_images(classes, X, Y, p):
    """
    绘制预测和实际不同的图像
    :param classes: 种类
    :param X: 数据集
    :param Y: 标签
    :param p: 预测
    :return:
    """
    a = p + Y  # 预测 和 实际 概率 累加  ，其中预测错的和为1
    print("a.shape", a.shape)
    mislabeled_indices = np.asarray(np.where(a == 1))
    print("mislabeled_indices", mislabeled_indices)
    # mislabeled_indices
    # [[ 0  0  0  0  0  0  0  0  0  0  0]
    # [ 5  6 13 19 28 29 34 44 45 46 48]]
    # 原矩阵a是个一维矩阵（行数只有一行）
    # 第一行的[ 0 0 0 0 0 0 0 0 0 0 0]代表的是对应点的行下标
    # 第二行的[ 5 6 13 19 28 29 34 44 45 46 48]代表的是列下标
    print("mislabeled_indices.shape", mislabeled_indices.shape)
    plt.rcParams['figure.figsize'] = (40.0, 40.0)  # set default size of plots
    num_images = len(mislabeled_indices[0])
    # print("mislabeled_indices.shape[0]")
    for i in range(num_images):
        index = mislabeled_indices[1][i]
        print('index', index)
        plt.subplot(2, num_images, i + 1)
        plt.imshow(X[:, index].reshape(64, 64, 3), interpolation='nearest')
        plt.axis('off')
        plt.title('Prediction:' + classes[int(p[0, index])].decode('utf-8') + '\n Class' + classes[Y[0, index]].decode(
            'utf-8'))
    plt.show()