《机器学习与数据挖掘》-实验四鸢尾花决策边界问题

淩亂°似流年 2023-10-11 18:38 7阅读 0赞

> 利用[sklearn][]，导入鸢尾花数据，对鸢尾花数据进行决策边界问题。

**目录**

1.导入包

2.进行数据导入与处理

3. 进行决策边界的处理

4.根据数据，画出决策边界

--------------------

## 1.导入包 ##

import numpy as np
    from sklearn import linear_model
    import matplotlib.pyplot as plt
    import matplotlib as mpl
    from sklearn.metrics import accuracy_score
    from sklearn.datasets import load_iris

## 2.进行数据导入与处理 ##

def loaddata():
        data = np.loadtxt('这里写自己数据的路径', delimiter=',')
        n = data.shape[1] - 1
        X = data[:, 0:n]
        y = data[:, -1].reshape(-1, 1)
        return X, y
    
    X, y = loaddata()
    model = linear_model.LogisticRegression(C=50, max_iter=2000)
    model.fit(X, y)
    # print(model.coef_)
    # print(model.intercept_)
    y_hat = model.predict(X)
    
    
    # print("准确度：",accuracy_score(y,y_hat))

## 3. 进行决策边界的处理 ##

def plotDescisionBoundary(X, y, theta):
        cm_dark = mpl.colors.ListedColormap(['g', 'r'])
        plt.xlabel('Exam 1 score')
        plt.ylabel('Exam 2 score')
        plt.scatter(X[:, 0], X[:, 1], c=np.array(y).squeeze(), cmap=cm_dark, s=30)
        # 补充画决策边界代码；
        x1 = np.arange(min(X[:, 0]), max(X[:, 0]), 0.1)
        x2 = -(theta[1] * x1 + theta[0] / theta[2])
        plt.plot(x1, x2)
        plt.show()
    
    
    theta = np.append(model.intercept_, model.coef_)
    # plotDescisionBoundary(X,y,theta)
    
    iris = load_iris()
    # print(iris.DESCR)
    X = iris.data
    y = iris.target
    # print(X[0:50,0])
    
    feature = 1
    feature_other = 2
    
    plt.scatter(X[0:50, feature], X[0:50, feature_other], color="blue", marker='o')
    plt.scatter(X[50:100, feature], X[50:100, feature_other], color="red", marker='x')
    plt.scatter(X[100:, feature], X[100:, feature_other], color="green", marker='s')
    plt.show()
    
    X_2 = X[:, [feature, feature_other]]
    model_2 = linear_model.LogisticRegression(C=100.0)
    model_2.fit(X_2, y)
    
    h = 0.2
    x_min, x_max = X[:, feature].min() - .5, X[:, feature].max() + .5
    y_min, y_max = X[:, feature_other].min() - .5, X[:, feature_other].max() + .5
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min,y_max,h))
    
    np.c_[xx.ravel(), yy.ravel()]
    
    z = model_2.predict(np.c_[xx.ravel(), yy.ravel()])
    z = z.reshape(xx.shape)

## 4.根据数据，画出决策边界 ##

plt.pcolormesh(xx, yy, z, cmap=plt.cm.Paired)
    plt.scatter(X[0:50, feature], X[0:50, feature_other], color="blue", marker='o')
    plt.scatter(X[50:100, feature], X[50:100, feature_other], color="red", marker='x')
    plt.scatter(X[100:, feature], X[100:, feature_other], color="green", marker='s')
    plt.xlabel('Sepal length', color='black', fontsize=15)
    plt.ylabel('Sepal width', color='black', fontsize=15)
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    plt.xticks(())
    plt.yticks(())
    plt.legend(loc=2)
    plt.show()
    plt.title('决策分界', color='red', fontsize=20)

> PS：实验数据的不同，画出的决策边界也不同。

## 总结 ： ##

> **在机器学习中，鸢尾花模型是一个非常经典的模型，大家可以自行搜索其他的案例，对学习机器学习也有很大帮助哦！！！**

##  ##

[sklearn]: https://www.sklearncn.cn/