我正在尝试绘制 SVM 决策边界,它将癌性和非癌性两类分开。但是,它显示的情节与我想要的相去甚远。我希望它看起来像这样:
import numpy as np
import pandas as pd
from sklearn import svm
from mlxtend.plotting import plot_decision_regions
import matplotlib.pyplot as plt
autism = pd.read_csv('predictions.csv')
# Fit Support Vector Machine Classifier
X = autism[['TARGET','Predictions']]
y = autism['Predictions']
clf = svm.SVC(C=1.0, kernel='rbf', gamma=0.8)
clf.fit(X.values, y.values)
# Plot Decision Region using mlxtend's awesome plotting function
plot_decision_regions(X=X.values,
y=y.values,
clf=clf,
legend=2)
# Update plot object with X/Y axis labels and Figure Title
plt.xlabel(X.columns[0], size=14)
plt.ylabel(X.columns[1], size=14)
plt.title('SVM Decision Region Boundary', size=16)
plt.show()
但我有一个看起来很奇怪的情节:
您可以在此处找到 csv 文件 predictions.csv
最佳答案
你听起来有点困惑......
您的 predictions.csv
看起来像:
TARGET Predictions
1 0
0 0
0 0
0 0
而且,正如我猜想列名暗示的那样,它包含基本事实 (TARGET
) 和一些已经运行的 (?) 模型的 Predictions
。
鉴于此,您在发布的代码中所做的事情完全毫无意义:您将这两列用作 X
中的特征以预测您的 y
,它是...完全相同的列之一 (Predictions
),已经包含在您的 X
...
您的绘图看起来“很奇怪”仅仅是因为您绘制的不是您的数据点,而是您显示的X
和y
数据这里不是应该用于拟合分类器的数据。
我进一步感到困惑,因为在您的链接 repo 中,您的脚本中确实有正确的程序:
autism = pd.read_csv('10-features-uns.csv')
x = autism.drop(['TARGET'], axis = 1)
y = autism['TARGET']
x_train, X_test, y_train, y_test = train_test_split(x, y, test_size = 0.30, random_state=1)
即从 10-features-uns.csv
中读取您的功能和标签,当然不是从 predictions.csv
中读取,因为您正在莫名其妙地尝试这样做这里……
关于python - 非线性决策边界的 SVM 图,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55773434/