机器学习教学 plt.scatter()绘制散点图
Scatter简介Scatter(散点图)由两个变量构成,分别作为散点图的横,竖坐标,通过散点图可以看出变量之间的关系。如上如,一些基本的相关性,可以分为正相关,负相关等。Scatter 相关代码x = [1, 2, 3, 4, 5]y = [6, 7, 2, 4, 5]# 画布:尺寸p = figure(plot_width=400, plot_height=400)# 画图p.scatter(
·
Scatter简介
Scatter(散点图)由两个变量构成,分别作为散点图的横,竖坐标,通过散点图可以看出变量之间的关系。
如上如,一些基本的相关性,可以分为正相关,负相关等。
Scatter 相关代码
x = [1, 2, 3, 4, 5] y = [6, 7, 2, 4, 5]
# 画布:尺寸 p = figure(plot_width=400, plot_height=400) # 画图 p.scatter(x, y, size=20, # screen units 显示器像素单位 # radius=1, # data-space units 坐标轴单位 marker="circle", color="navy", alpha=0.5) # p.circle(x, y, size=20, color="navy", alpha=0.5) # 显示 show(p)
Scatter图 横纵坐标一 一对应 。
关于Scatter的应用 绘制数据并分类
import matplotlib.pyplot as plt # for visualisation
import random # for random number generation
import numpy as np # for numerical libraries
random.seed(242785) # seed the random number generators
np.random.seed(64254)
w0 = 0 # parameter values used to generate data
w1 = -1.5
w2 = 2.5
n = 500 # number of training samples to generate
mean = [0, 0] # mean
cov = [[3, 0.5], [0.5, 3]] # covariance matrix
x1, x2 = np.random.multivariate_normal(mean, cov, n).T # sample from a multivariate normal distribution
z = w1*x1 + w2*x2 + w0 # generate the latent variable z
y = np.sign(z) # generate the output y based on the sign of z
cdict = {1: 'red', 2: 'blue', 3: 'green'} # colour scheme
fig, ax = plt.subplots()
j = 1
for g in np.unique(y):
ix = np.where(y == g)
ax.scatter(x1[ix], x2[ix], c = cdict[j], label = "y = " + str(g), s = 16, alpha=0.3)
j = j + 1
ax.legend()
plt.xlabel("$x_1$")
plt.ylabel("$x_2$")
plt.show()
更多推荐
已为社区贡献1条内容
所有评论(0)