wave数据集的回归曲线

wave数据集的回归曲线

import matplotlib.pyplot as plt
import mglearn
from scipy import sparse
import numpy as np
import matplotlib as mt
import pandas as pd
from IPython.display import display
from sklearn.datasets import load_iris
import sklearn as sk
from sklearn.model_selection import  train_test_split
from sklearn.neighbors import KNeighborsClassifier

X,y = mglearn.datasets.make_forge()
print(X)
print(y)
mglearn.discrete_scatter(X[:,0],X[:,1],y)
plt.legend("c1 0","c2 1",loc=4)
plt.xlabel("first feature")
plt.ylabel("second feature")
plt.show()

X,y = mglearn.datasets.make_wave(n_samples=40)
print(X)
print(y)
plt.plot(X,y,'o')
plt.show()

输出：

[[ 9.96346605  4.59676542]
 [11.0329545  -0.16816717]
 [11.54155807  5.21116083]
 [ 8.69289001  1.54322016]
 [ 8.1062269   4.28695977]
 [ 8.30988863  4.80623966]
 [11.93027136  4.64866327]
 [ 9.67284681 -0.20283165]
 [ 8.34810316  5.13415623]
 [ 8.67494727  4.47573059]
 [ 9.17748385  5.09283177]
 [10.24028948  2.45544401]
 [ 8.68937095  1.48709629]
 [ 8.92229526 -0.63993225]
 [ 9.49123469  4.33224792]
 [ 9.25694192  5.13284858]
 [ 7.99815287  4.8525051 ]
 [ 8.18378052  1.29564214]
 [ 8.7337095   2.49162431]
 [ 9.32298256  5.09840649]
 [10.06393839  0.99078055]
 [ 9.50048972 -0.26430318]
 [ 8.34468785  1.63824349]
 [ 9.50169345  1.93824624]
 [ 9.15072323  5.49832246]
 [11.563957    1.3389402 ]]
[1 0 1 0 0 1 1 0 1 1 1 1 0 0 1 1 1 0 0 1 0 0 0 0 1 0]

[[-0.75275929]
 [ 2.70428584]
 [ 1.39196365]
 [ 0.59195091]
 [-2.06388816]
 [-2.06403288]
 [-2.65149833]
 [ 2.19705687]
 [ 0.60669007]
 [ 1.24843547]
 [-2.87649303]
 [ 2.81945911]
 [ 1.99465584]
 [-1.72596534]
 [-1.9090502 ]
 [-1.89957294]
 [-1.17454654]
 [ 0.14853859]
 [-0.40832989]
 [-1.25262516]
 [ 0.67111737]
 [-2.16303684]
 [-1.24713211]
 [-0.80182894]
 [-0.26358009]
 [ 1.71105577]
 [-1.80195731]
 [ 0.08540663]
 [ 0.55448741]
 [-2.72129752]
 [ 0.64526911]
 [-1.97685526]
 [-2.60969044]
 [ 2.69331322]
 [ 2.7937922 ]
 [ 1.85038409]
 [-1.17231738]
 [-2.41396732]
 [ 1.10539816]
 [-0.35908504]]
[-0.44822073  0.33122576  0.77932073  0.03497884 -1.38773632 -2.47196233
 -1.52730805  1.49417157  1.00032374  0.22956153 -1.05979555  0.7789638
  0.75418806 -1.51369739 -1.67303415 -0.90496988  0.08448544 -0.52734666
 -0.54114599 -0.3409073   0.21778193 -1.12469096  0.37299129  0.09756349
 -0.98618122  0.96695428 -1.13455014  0.69798591  0.43655826 -0.95652133
  0.03527881 -2.08581717 -0.47411033  1.53708251  0.86893293  1.87664889
  0.0945257  -1.41502356  0.25438895  0.09398858]

 

matplotlib.pyplot.plot()参数详解：

绘制线条或标记的轴。参数是一个可变长度参数，允许多个X、Y对可选的格式字符串。

例如，下面的每一个都是合法的：

plot(x, y)       #plot x, y使用默认的线条样式和颜色

plot(x, y, 'bo')    #plot x,y用蓝色圆圈标记

plot(y)    #plot y用x作为自变量

plot(y, 'r+')      #同上，但是是用红色作为标记

如果x或y是2维的，那么相应的列将被绘制。

x、y的任意数，格式可以如下：

a.plot(x1, y1, 'g^', x2, y2, 'g-')

默认情况下，每个行被指定一个由“颜色周期”指定的不同颜色。要改变这种行为，可以编辑axes.color_cycle中的rcparam。

下面的字符用来描述绘制的图形：

 

字符	描述
'-'	实线
'--'	虚线
'-.'	点线
':'	点虚线
'.'	点
','	像素
'o'	圆形
'v'	朝下的三角形
'^'	朝上的三角形
'<'	朝左的三角形
'>'	朝右的三角形
'1'	tri_down marker
'2'	tri_up marker
'3'	tri_left marker
'4'	tri_right marker
's'	正方形
'p'	五角形
'*'	星型
'h'	1号六角形
'H'	2号六角形
'+'	+号标记
'x'	x号标记
'D'	钻石形
'd'	小版钻石形
'|'	垂直线形
'_'	水平线行

 

 

颜色用以下字符表示:

字符	颜色
‘b’	蓝色
‘g’	绿色
‘r’	红色
‘c’	青色
‘m’	品红
‘y’	黄色
‘k’	黑色
‘w’	白色

此外，你可以在很多古怪的方式和精彩的指定颜色，包括完整的名称（绿色的），十六进制字符串（“# 008000”）、RGB、RGBA元组（（0,1,0,1））或灰度强度作为一个字符串（‘0.8’）。这些字符串的规格可用于格式化，但以元组的形式只能用作**kwargs。

线条样式和颜色组合在一个单一的格式字符串中，如在’bo’为蓝色圆圈。