0

svm 分類子の結果をプロットしようとしています。ここに「ミニプログラム」が表示されます。プロットについては、このscikit-learn の例を使用します。以下に示すように、コードを変更しました。クラスターセンター (100 から 300 の元のデータ) も削減された場合、データを 2-D に削減するタイミングがわからないため、正しい方法であるかどうかはわかりません。大きな「次元」を取り込んで2次元に絞り込もうとしているとき。どなたか解説していただけると助かります^^

#!/usr/bin/env python

import numpy as np
import pylab as pl
from matplotlib.colors import ListedColormap
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

def reduce_dim(datas):
    pca = PCA(n_components=2)
    pca.fit(datas)
    data_pca = pca.transform(datas)
    return data_pca

def plotter_plot(kmeans, clf, X, X_train, X_test, y_train, y_test):
    names = ["RBF SVM"]
    classifiers = []
    classifiers.append(clf)

    h = .01  # step size in the mesh
    X_r = reduce_dim(X)
    X_train_r = reduce_dim(X_train)
    X_test_r = reduce_dim(X_test)

    figure = pl.figure(figsize=(15, 5))

    x_min, x_max = X_r[:, 0].min() - .5, X_r[:, 0].max() + .5
    y_min, y_max = X_r[:, 1].min() - .5, X_r[:, 1].max() + .5
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min, y_max, h))

    # just plot the dataset first
    cm = pl.cm.RdBu
    cm_bright = ListedColormap(['#FF0000', '#0000FF'])
    ax = pl.subplot(1, 2, 1)
    # Plot the training points
    ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
    # and testing points
    ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6)
    ax.set_xlim(xx.min(), xx.max())
    ax.set_ylim(yy.min(), yy.max())
    ax.set_xticks(())
    ax.set_yticks(())
    i = 2
    for name, clf in zip(names, classifiers):
        ax = pl.subplot(1, 2, i)
        clf.fit(X_train_r, y_train)
        score = clf.score(X_test_r, y_test)

        # Plot the decision boundary. For that, we will assign a color to each
        # point in the mesh [x_min, m_max]x[y_min, y_max].
        if hasattr(clf, "decision_function"):
            Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
        else:
            Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]

        # Put the result into a color plot
        Z = Z.reshape(xx.shape)
        ax.contourf(xx, yy, Z, cmap=cm, alpha=.8)

        # Plot also the training points
        ax.scatter(X_train_r[:, 0], X_train_r[:, 1], c=y_train, cmap=cm_bright)
        # and testing points
        ax.scatter(X_test_r[:, 0], X_test_r[:, 1], c=y_test, cmap=cm_bright,
              alpha=0.6)

        ax.set_xlim(xx.min(), xx.max())
        ax.set_ylim(yy.min(), yy.max())
        ax.set_xticks(())
        ax.set_yticks(())
        ax.set_title(name)
        ax.text(xx.max() - .3, yy.min() + .3, ('%.2f' % score).lstrip('0'),
            size=15, horizontalalignment='right')
        i += 1

    figure.subplots_adjust(left=.02, right=.98)
    pl.show()

これは、「データの削減」を再度 clf に適合させる正しい方法ですか? 彼らはすでに訓練と分類によって適合しています！間違いがありますか、それとも 2 次元データをもう一度当てはめる必要がありますか?

ありがとうございました...

4

1 に答える 1

2

簡単な答え: あなたがやろうとしていることは不可能です。これは、以前にSOで数回尋ねられました。

2 次元で n 次元の決定曲面をプロットすることはできません。あなたができることは、データの投影を2次元でプロットし、予測に従ってラベルを付けるだけです.

この例で必要なものと同様のことを行うプロットがあります。私は例の作成者ですが、プロットに実際の意味があるかどうかはわかりません。このようなプロットを使用して分類器を検査することはありません。

于 2013-08-14T19:03:49.960 に答える