python - 使用 matplotlib python 绘制决策树分类器的 2 个以上特征

Question

数据集

我一直在玩Pima Indians Dataset使用决策树分类器进行分类。不过，我已经得到了结果，并且作为明显的阶段，我一直在寻找相同的可视化。

这是数据集的头部:

   TimesPregnant  GlucoseConcentration  BloodPrs  SkinThickness  Serum   BMI  \
0              6                   148        72             35      0  33.6   
1              1                    85        66             29      0  26.6   
2              8                   183        64              0      0  23.3   
3              1                    89        66             23     94  28.1   
4              0                   137        40             35    168  43.1   

   DiabetesFunct  Age  Class  
0          0.627   50      1  
1          0.351   31      0  
2          0.672   32      1  
3          0.167   21      0  
4          2.288   33      1 

绘制 2 个以上特征？

这是我使用网络上的引用资料和教程组装的代码。显然它不适用于超过 2 个功能。在这里，你可以注意到除了最后一栏之外，其他都是我的特色。

代码

# Visualising the Training set results
from matplotlib.colors import ListedColormap
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
                     np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha = 0.75, cmap = ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c = ListedColormap(('red', 'green'))(i), label = j)
plt.title('Decision Tree (Train set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show() 

您可能会注意到这些 X1、X2 由网格网格组成，以便利用我用于着色的空间，但是如果解决方案您可以忽略，您可以随意忽略建议涵盖在 matplotlib 上绘制 2 个以上特征。

现在，我无法在这里为 8 个功能制作 8 个 X，我正在寻找非常有效的方法来做到这一点。

Answer 1

具体操作方法如下:

from itertools import product
from matplotlib import pyplot as plt
import numpy as np
import scipy.stats as sts

features = [np.linspace(0, 5),

            np.linspace(9, 14),

            np.linspace(6, 11),
            np.linspace(3, 8)]

labels = ['height',
          'weight',
          'bmi',
          'age']

n = len(features)
fig, axarr = plt.subplots(n, n, figsize=(4*n, 4*n))
fig.subplots_adjust(0, 0, 1, 1, 0, 0)

for (x,y),ax in zip(product(features, features), axarr.T.flat):
    X,Y = np.meshgrid(x, y)

    # get some fake data for demo purposes
    mnorm = sts.multivariate_normal([x.mean()**(7/10), y.mean()**(11/10)])
    Z = mnorm.pdf(np.stack([X, Y], 2))

    ax.contourf(X, Y, Z)

# label and style the plot
# ...in progress

输出: