matplotlib-决策界面可视化

引子：tensorflow游乐场

图

决策界面图直观的展示了模型分类效果，如下
1，原始样本分布图

2，模型决策界面可视化结果
a-线性模型

b-3层神经网络

可见模型效果非常直观

实现流程

1，首先应该得到图中每个点（夸张的说法，但必须覆盖样本点，且点数 >> 样本点数）
2，根据所得模型，计算所有点的分类情况
思路很简单，主要是matplotlib，numpy相应函数的组合使用，以及样本维度的注意

代码

上图中都是以二维数据为例，也相对比较好作图

#  说明x：样本点（N，2），y ：标签【三个种类】 （N，3）
	模型输出的是三个种类相应的概率，概率最大的为最终类型
h = 0.005
#  求得样本每个维度【属性】的极值来定制图轴的取值范围
x1_min,x1_max = X[:,0].min()-1,X[:,0].max()+1
x2_min,x2_max = X[:,1].min()-1,X[:,1].max()+1
#   np.meshgrid()  获得所有点[return值请自行体会]
x1,x2 = np.meshgrid(np.arange(x1_min,x1_max,h),
                    np.arange(x2_min,x2_max,h))
# 将x1,x2展开形成铺满整张图的点                    
X_toy = np.c_[x1.ravel(),x2.ravel()]        #[n,1]
# 将所有点喂进模型中
scores_toy = np.dot(X_toy,W)+b              #[n,3]
# 抽取概率最大的索引
y_ = np.argmax(scores_toy, axis=1)          #[n,1]
# 在接下来的plt.contour中 y_与x1,x2的形状需保持相同（一一对应的关系）
y_ = y_.reshape(x1.shape)
# 等高线api
plt.contourf(x1,x2,y_,cmap=plt.cm.Spectral)
# 绘制原始样本点
plt.scatter(X[:,0],X[:,1],c=y, s=20, alpha = 0.6,cmap=plt.cm.Spectral)
plt.show()

最后

以上就是慈祥煎蛋为你收集整理的matplotlib-决策界面可视化的全部内容，希望文章能够帮你解决matplotlib-决策界面可视化所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。