python - 在 scikit-learn 教程中可视化支持向量机的参数

Question

我正在关注一个流行的教程 here ，我尝试在 sci-kit learn 中试验 rbf 内核的参数 gamma 和 C 对支持向量机的影响。

关于前面提到的教程，我有点困惑这段代码的用途是为我们做什么:

# dataset for decision function visualization  
X_2d = X[:, :2]
X_2d = X_2d[Y > 0]
Y_2d = Y[Y > 0]
Y_2d -= 1

我假设我们正在对原始数据(来自 iris 数据集)进行子集化，但是
我们首先为什么需要这样做？为什么 X_2d = X[:, :2] 的参数是一个元组？

如果有人熟悉本教程并且之前已经弄清楚了这一点，请提前致谢。

Answer 1

这部分代码是为了可视化——第一个带有散点的图，它显示了决策表面如何随着不同的训练参数而变化。基本上，它创建了一个较小的数据集，仅包含两个特征和两个类。

X_2d = X[:, :2] 表示X_2d是只包含前两个特征的数据集，这样可以方便地绘制每个点(如何4D 绘图点？)。

接下来的三行过滤掉标签为 0 的样本，以便较小的数据集仅包含两个标签。它还将标签重命名为 0 或 1。