文章目录
一、Matplotlib简介二、散点图第1步：导入数据第2步：拆分成训练集和测试集第3步：使用简单线性回归模型来训练训练集第4步：绘制散点图二、线图三、等高线图第1步：定义一个计算高度用的函数第2步：创建一个等差数列第3步：将等差数列绑定为网格的形式第4步：等高划分并填色四、运行结果展示1. 散点图2. 线图3. 等高线图五、函数讲解1. scatter()2. plot()3. linspace()4. contourf()-----代码传送门-----
-----数据传送门-----
一、Matplotlib简介
Matplotlib是一个数据可视化神器，画图用的。涉及散点图、线图、等高线图、条形图、柱状图、3D图形、饼图、Image图像、灰度图。
这里主要介绍如何绘画机器学习中常用到的一些图像。
二、散点图
第1步：导入数据
import pandas as pddataSet = pd.read_csv('studentscores.csv')X = dataSet.iloc[ : , : -1]Y = dataSet.iloc[ : , 1]
第2步：拆分成训练集和测试集
from sklearn.model_selection import train_test_splitX_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.25, random_state=0)
第3步：使用简单线性回归模型来训练训练集
from sklearn.linear_model import LinearRegressionregressor = LinearRegression()regressor = regressor.fit(X_train, Y_train)
第4步：绘制散点图
import matplotlib.pyplot as pltplt.scatter(X_train, Y_train, color='red')plt.show()
二、线图
数据沿用散点图数据
plt.plot(X_train, regressor.predict(X_train), color='blue')plt.show()
三、等高线图
第1步：定义一个计算高度用的函数
def f(x,y):return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
第2步：创建一个等差数列
import numpy as npn=256x=np.linspace(-3,3,n) #[-3,3]，共256个点y=np.linspace(-3,3,n)
第3步：将等差数列绑定为网格的形式
X,Y=np.meshgrid(x,y)
第4步：等高划分并填色
#等高划分并着色plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)#设置等高线C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)#设置等高线的数值plt.clabel(C,inline=True,fontsize=10)#设置坐标轴plt.xlim(-3,3)plt.ylim(-3,3)plt.show()
四、运行结果展示
1. 散点图
2. 线图
3. 等高线图
五、函数讲解
1. scatter()
plt.scatter(X_train, Y_train, color=‘red’)中的X_train，Y_train就是X和Y轴的坐标，形状为shape(n, )。更多用法见：sactter函数详解
2. plot()
plt.plot(X_train, regressor.predict(X_train), color=‘blue’)，用法和scatter()差不多，不同的是scatter()画的是点，plot() 画的是线。
3. linspace()
np.linspace(-3,3,n)
它是创建等差数列的函数，返回ndarray类型数据。起点为3，终点为3，n为步长，如果n=1，则返回array([ -3., -2., -1., 0., 1., 2., 3.])
4. contourf()
plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)
contourf(contour等高线+filling)；8 表示等高线分为多少部分，0->2部分，1->3部分，8->10部分；alpha=0.75表示图形的透明度，如果alpha=0那么图形的颜色为白，f(X,Y)第三个参数表示高度，不同高度域颜色就会不同。
到后面遇到了新的图，我会同步更新这篇博客的。
