利用plt.pcolormesh绘制分类图

本文介绍如何使用Python的matplotlib库中的plt.pcolormesh函数来绘制分类边界。通过鸢尾花数据集训练决策树模型,并利用网格采样点预测分类结果,最终绘制出分类边界及散点图。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文主要介绍如何利用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

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
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

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'
path = 'iris.data'  # 数据文件路径
data = pd.read_csv(path, header=None)
data.columns=iris_feature
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

x_train = data[['花萼长度','花瓣长度']]
y_train = data['类别']
model = DecisionTreeClassifier(criterion='entropy', min_samples_leaf=3)
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250000个点,然后把这250000个点送进决策树,来算出所属的种类,代码如下:

N, M = 500, 500  # 横纵各采样多少个值
x1_min, x2_min = x_train.min(axis=0)
x1_max, x2_max = x_train.max(axis=0)
t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, M)
x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
x_show = np.stack((x1.flat, x2.flat), axis=1)  # 测试点
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

cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])

接着使用plt.pcolormesh来绘制分类图

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

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier

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'
path = 'iris.data'  # 数据文件路径
data = pd.read_csv(path, header=None)
data.columns=iris_feature
data['类别']=pd.Categorical(data['类别']).codes
x_train = data[['花萼长度','花瓣长度']]
y_train = data['类别']
model = DecisionTreeClassifier(criterion='entropy', min_samples_leaf=3)
model.fit(x_train, y_train)

N, M = 500, 500  # 横纵各采样多少个值
x1_min, x2_min = x_train.min(axis=0)
x1_max, x2_max = x_train.max(axis=0)
t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, M)
x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
x_show = np.stack((x1.flat, x2.flat), axis=1)  # 测试点
y_predict=model.predict(x_show)


mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False
cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.pcolormesh(x1, x2, y_predict.reshape(x1.shape), cmap=cm_light)
plt.scatter(x_train['花萼长度'],x_train['花瓣长度'],c=y_train,cmap=cm_dark,marker='o',edgecolors='k')
plt.xlabel('花萼长度')
plt.ylabel('花瓣长度')
plt.title('鸢尾花分类')
plt.grid(True,ls=':')
plt.show()

 

 

 

 

 

import numpy as np import matplotlib.pyplot as plt from scipy.signal import stft def generate_chirp(f0, f1, T, fs, num_periods): t = np.linspace(0, T*num_periods, int(fs*T*num_periods), endpoint=False) k = (f1 - f0)/T phase = 2 * np.pi * (f0 * t + 0.5 * k * t**2) return np.cos(phase) ## 参数设置 fs = 1000 # 采样率 f0, f1 = 50, 250 # 起始/截止频率 T = 1.0 # 单周期时长 num_periods = 3 # 周期数 signal = generate_chirp(f0, f1, T, fs, num_periods) def apply_window_fft(signal, fs, window='hann'): L = len(signal) win = np.hanning(L) if window == 'hann' else np.ones(L) spectrum = np.fft.fft(signal * win) freq = np.fft.fftfreq(L, 1/fs) return freq[:L//2], 20*np.log10(np.abs(spectrum[:L//2])) freq, spec = apply_window_fft(signal, fs) plt.plot(freq, spec) plt.xlabel('Frequency (Hz)') plt.ylabel('Magnitude (dB)') def plot_stft(signal, fs, window='hann', nperseg=256, noverlap=128): f, t, Zxx = stft(signal, fs, window=window, nperseg=nperseg, noverlap=noverlap) plt.pcolormesh(t, f, 20*np.log10(np.abs(Zxx)), shading='gouraud') plt.colorbar(label='Intensity (dB)') plt.ylabel('Frequency (Hz)') plt.xlabel('Time (s)') plt.figure() plot_stft(signal, fs, nperseg=256, noverlap=128) # 生成信号 signal = generate_chirp(f0, f1, T, fs, num_periods) # 时域波形 plt.figure(figsize=(12,8)) plt.subplot(311) plt.plot(np.arange(len(signal))/fs, signal) plt.title('Time Domain Signal') # FFT频谱 plt.subplot(312) freq, spec = apply_window_fft(signal, fs, 'hann') plt.plot(freq, spec) plt.title('Frequency Spectrum') # STFT时频分析 plt.subplot(313) plot_stft(signal, fs, nperseg=256, noverlap=128) plt.title('STFT Analysis') plt.tight_layout() plt.show(); # windows = ['boxcar', 'hann', 'blackman'] # plt.figure() # for i, win in enumerate(windows, 1): # plt.subplot(3,1,i) # plot_stft(signal, fs, window=win, nperseg=256) # plt.title(f'{win} window') 请帮我解释一下这些代码
05-31
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值