利用plt.pcolormesh绘制分类图
用pcolormesh()能画的, 用scatter()也能画, 但是经过测试, 发现用scatter()画的速度比pcolormesh()要慢不少 - -
plt.pcolormesh(X,Y,Z,cmap=cm)
X，Y：指的是二维网格面每一个点的横纵坐标
Z:(X,Y) :坐标处的颜色值
cmap:着色方案
pcolormesh 的作用是: 用不规则的矩形网格创建伪彩色图。
'''
多元分类：逻辑回归分类器 并绘制pcolormesh伪彩图
sklearn.linear_model.LogisticRegression(
solver='liblinear',
C=正则强度)
'''
# pcolormesh(x, y, c=d, cmap='jet') cmap:渐变色映射
plt.pcolormesh(...):
a = np.array([1, 2, 3])
b = np.array([-1, -2, -3, -4])
a.shape, b.shape
Out[55]: ((3,), (4,))
c = np.meshgrid(a, b);
# c # c is a 'list', not 'numpy.array'
Out[57]: # c[0]：沿行(axis=0)广播, 每一行元素跟上一行相同
[array([[1, 2, 3], # c[1]：沿列(axis=1)广播, 每一列元素跟上一列相同
[1, 2, 3], # (c[0],c[1])组成的坐标点(x,y)将覆盖并形成(1<=x<=3,-4<=y<=-1)区间组成的2*3的矩形
[1, 2, 3],
[1, 2, 3]]),
array([[-1, -1, -1],
[-2, -2, -2],
[-3, -3, -3],
[-4, -4, -4]])]
c[0].shape, c[1].shape
Out[61]: ((4, 3), (4, 3))
plt.pcolormesh(c[0], c[1], c=...)
# c[0]表示点横坐标，c[1]表示纵坐标
# 对样本(c[0], c[1])周围（包括样本所在坐标）的四个坐标点进行着色，C代表着色方案
# 点(c[0], c[1])所有坐标点如下：
'''
^
|---1------2------3---->
|
-1 (1,-1) (2,-1) (3,-1)
|
-2 (1,-2) (2,-2) (3,-2)
|
-3 (1,-3) (2,-3) (3,-3)
|
-4 (1,-4) (2,-4) (3,-4)
|
'''
'''
多元分类：逻辑回归分类器
sklearn.linear_model.LogisticRegression(
solver='liblinear',
C=正则强度)
'''
import numpy as np
import matplotlib.pyplot as plt
import sklearn.linear_model as lm
# train_set
x = np.array([
[4, 7],
[3.5, 8],
[3.1, 6.2],
[0.5, 1],
[1, 2],
[1.2, 1.9],
[4, 2],
[5.7, 1.5],
[5.4, 2.2]]) # 散点[x,y]
y = np.array([0, 0, 0, 1, 1, 1, 2, 2, 2]) # 多元分类 3类
# 逻辑回归分类器
model = lm.LogisticRegression(solver='liblinear', C=50) # C
model.fit(x, y)
plt.figure('Logistic Classification', facecolor='lightgray')
plt.title('Logistic Classification', fontsize=14)
plt.xlabel('x', fontsize=14)
plt.ylabel('y', fontsize=14)
plt.tick_params(labelsize=10)
'''
pcolormesh参数设置：
'''
l, r, h = x[:, 0].min() - 1, x[:, 0].max() + 1, 0.005 # 左边界，右边界，水平方向点间距
b, t, v = x[:, 1].min() - 1, x[:, 1].max() + 1, 0.005 # 下边界，上边界，垂直方向点间距
#print(np.arange(l, r, h).shape, np.arange(b, t, v).shape) # (1440,) (1800,),shape不同，不能直接作为输入,转为
grid_x = np.meshgrid(np.arange(l, r, h), np.arange(b, t, v)) # (m-array,n-array)--> list(mat(m,n), mat(m,n))
print(grid_x[0]) # x[i, j] (1800, 1440) <class 'numpy.ndarray'>
print(grid_x[1]) # y[i, j] (1800, 1440) <class 'numpy.ndarray'>
#print(grid_x[1].shape) # (1800, 1440) <class 'numpy.ndarray'>
flat_x = np.c_[grid_x[0].ravel(), grid_x[1].ravel()] # 保证输入散点的坐标点横纵坐标个数一样
flat_y = model.predict(flat_x) # 输入栅格点阵坐标，模型预测输出的分类
grid_y = flat_y.reshape(grid_x[0].shape) # 分类标签：用做pcolormesh栅格着色的依据
print(grid_y)
#[[1 1 1 ... 2 2 2] # 0, 1, 2 分别代表三种不同颜色
# [1 1 1 ... 2 2 2]
# [1 1 1 ... 2 2 2]
# ...
# [0 0 0 ... 0 0 0]
# [0 0 0 ... 0 0 0]
# [0 0 0 ... 0 0 0]]
# pcolormesh: 伪彩图 pcolormesh(X, Y, C)
# X,Y均为2-D array,如果为1-D 会自动广播，X和Y构成网格点阵
# X,Y对应位置元素x[i,j]和y[i,j]组成一个坐标点(x[i,j],y[i,j])，对样本周围（包括样本所在坐标）的四
#个坐标点进行着色，C代表着色方案
plt.pcolormesh(grid_x[0], grid_x[1], grid_y, cmap='gray') # gray_r 与gray的色带相反
plt.scatter(x[:, 0], x[:, 1], c=y, cmap='brg', s=60) # 颜色映射
参考：