python—contour绘制轮廓线(等高线)

文章目录

1.matplotlib.pyplot.contour参数详解2.实例

1.matplotlib.pyplot.contour参数详解

matplotlib.pyplot.contour([X, Y,] Z, [levels], **kwargs)

Parameters

关键参数如下，剩余参数可在官网中找

X, Y : array-like, optional

Z中值的坐标。

X和Y必须都是二维的，形状与Z相同(例如，通过numpy.meshgrid创建)，或者它们必须都是一维的，这样len(X) = M是Z中的列数，len(Y) = N是Z中的行数。

如果没有给出，则假设它们是整数索引，即X = range(M)， Y = range(N)。

Z : array-like(N, M)

绘制轮廓的高度值

levels : int or array-like, optional

确定轮廓线/区域的数量和位置

colors : color string or sequence of colors, optional

适用于轮廓线与轮廓区域

linestyles : {None, ‘solid’, ‘dashed’, ‘dashdot’, ‘dotted’}, optional

仅适用于轮廓线

线条样式可以是指定要使用的一组线条样式的字符串的可迭代对象。如果这个可迭代对象小于轮廓层数，它将在必要时重复。

linewidths : float or array-like, default: rcParams[“contour.linewidth”] (default: None)

仅适用于轮廓线

等高线的线宽。

如果是一个数字，所有的轮廓线都将用这个线宽绘制。

如果是序列，则按升序绘制级别，并按指定的顺序绘制线宽。

如果没有，则返回到 rcParams[“lines.linewidth”]

2.实例

import warningsimport numpy as npimport pandas as pdimport matplotlib as mplfrom matplotlib import colorsimport matplotlib.pyplot as pltfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score# 加载数据def loaddata():data = pd.read_csv('data/svm3.txt', header=0, delimiter='\t')X = data.iloc[:, :2]y = data.iloc[:, 2]return X, yif __name__ == '__main__':# 消除警告warnings.filterwarnings(action='ignore')# 设置样本显示格式np.set_printoptions(suppress=True)x, y = loaddata()# 分类器# 超参数为C、gammaclf_param = (('rbf', 1, 0.1), ('rbf', 1, 1), ('rbf', 1, 10), ('rbf', 1, 100),('rbf', 5, 0.1), ('rbf', 5, 1), ('rbf', 5, 10), ('rbf', 5, 100),('rbf', 1, 5), ('rbf', 50, 5), ('rbf', 100, 5), ('rbf', 1000, 5))x1_min, x2_min = np.min(x, axis=0)x1_max, x2_max = np.max(x, axis=0)x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]grid_test = np.stack((x1.flat, x2.flat), axis=1)cm_light = mpl.colors.ListedColormap(['#77E0A0', '#FFA0A0'])cm_dark = mpl.colors.ListedColormap(['g', 'r'])mpl.rcParams['font.sans-serif'] = [u'SimHei']mpl.rcParams['axes.unicode_minus'] = Falseplt.figure(figsize=(14, 10), facecolor='w')for i, param in enumerate(clf_param):clf = SVC(C=param[1], kernel=param[0])clf.gamma = param[2]# if param[0] == 'rbf':#clf.gamma = param[2]#title = u'高斯核，C=%.1f，$\gamma$ =%.1f' % (param[1], param[2])# else:#title = u'线性核，C=%.1f' % param[1]clf.fit(x, y)y_hat = clf.predict(x)print(u'准确率：', accuracy_score(y, y_hat))title = u'C=%.1f，gamma =%.1f,准确率1=%.2f' % (param[1], param[2], accuracy_score(y, y_hat))print(title)print(u'支撑向量的数目：', clf.n_support_)print(u'支撑向量的系数：', clf.dual_coef_)print(u'支撑向量：', clf.support_)# 画图plt.subplot(3, 4, i + 1)grid_hat = clf.predict(grid_test) # 预测分类值grid_hat = grid_hat.reshape(x1.shape) # 使之与输入的形状相同# 伪彩图plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light, alpha=0.8) # 画决策边界plt.scatter(x.iloc[:, 0], x.iloc[:, 1], c=y, edgecolors='k', s=40, cmap=cm_dark) # 样本的显示plt.scatter(x.iloc[clf.support_, 0], x.iloc[clf.support_, 1], edgecolors='k', facecolors='none', s=100,marker='o') # 支撑向量# clf.decision_function与参数decision_function_shape取’ovr’、’ovo’有关，是点到超平面的函数间隔。程序首先是计算出’ovo’结果，然后聚合结果。z = clf.decision_function(grid_test)z = z.reshape(x1.shape)# contour绘制等高线图plt.contour(x1, x2, z, colors=list('kbrbk'), linestyles=['--', '--', '-', '--', '--'],linewidths=[1, 0.5, 1.5, 0.5, 1], levels=[-1, -0.5, 0, 0.5, 1])plt.xlim(x1_min, x1_max)plt.ylim(x2_min, x2_max)plt.title(title, fontsize=14)plt.suptitle(u'SVM不同参数的分类', fontsize=20)# tight_layout会自动调整子图参数，使之填充整个图像区域plt.tight_layout(1.4)# 调整子图间距离plt.subplots_adjust(top=0.92)plt.show()

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论留言！