Python 机器学习 数据集分布可视化

​

 

 Python 的机器学习项目中，可视化是理解数据、模型和预测结果的重要工具。通过可视化可以观察数据集的分布情况，了解数据的特征和规律，可以评估模型的性能，发现模型的优缺点，分析预测结果，解释模型的预测过程。可视化数据集的分布和预测结果是整个过程中一个重要的步骤。通常可视化可以用Seaborn实现，它是基于 Matplotlib 的高级绘图库，提供了一些更高级的绘图功能。

参考文档：Python 机器学习 数据集分布可视化-CJavaPy

1、加载数据集

load_iris()是scikit-learn库中的一个函数，用于加载一个著名的数据集，即鸢尾花（Iris）数据集。数据集通常用于机器学习和统计分类技术的示例、测试和实验。鸢尾花数据集包含了三种鸢尾花（Iris setosa、Iris virginica和Iris versicolor）的150个样本。每个样本有四个特征：萼片长度、萼片宽度、花瓣长度和花瓣宽度，这些特征的单位都是厘米。目标变量是花的种类。数据集常用于分类算法的教学和测试，特别是对于新手来说，它是理解机器学习概念的一个很好的入门数据集。可以用于各种分类算法，包括最简单的如K-近邻（KNN）算法，以及更复杂的如支持向量机（SVM）和神经网络。

from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 特征矩阵，iris.data包含了150个样本的四个特征值
x = iris.data
print(x)

# 目标向量，iris.target包含了相应的种类标签（0, 1, 2分别代表三种不同的鸢尾花）。
y = iris.target
print(y)

# 特征名称
feature_names = iris.feature_names
print(feature_names)

# 目标名称（花的种类）
target_names = iris.target_names
print(target_names)

2、seaborn.lmplot()的使用

Seaborn 的 lmplot() 函数是用于绘制线性回归模型的强大工具，它结合了 regplot() 和 FacetGrid。这个函数适用于绘制数据集中变量间线性关系的图形，尤其是探索两个连续变量（或一个连续和一个分类变量）之间的关系。lmplot() 是一个功能强大的工具，适用于探索和呈现变量间的线性关系，特别是在数据集包含分类变量时。常用参数如下，

参数	描述
x	数据框架中的变量名称，将在 x 轴上绘制。
y	数据框架中的变量名称，将在 y 轴上绘制。
hue	数据框架中的分类变量，不同类别以不同颜色显示。
data	数据源，通常是 Pandas 的 DataFrame。
palette	设置不同类别的颜色。
col	用于在不同列展示数据框架中一个额外分类变量的不同级别。
row	用于在不同行展示数据框架中一个额外分类变量的不同级别。
markers	指定不同类别的数据点的标记类型。
fit_reg	布尔值，控制是否绘制回归模型 （对于 KNN，通常为 False）。
scatter_kws	传递额外的关键字参数到底层 Matplotlib 函数， 控制散点的样式。
line_kws	传递额外的关键字参数到底层 Matplotlib 函数， 控制线条的样式。
height	每个面板的高度大小。
aspect	每个面板的宽高比。

使用代码：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.datasets import load_iris


# 加载鸢尾花数据集
#iris = sns.load_dataset('iris') #加载报错，可以直接使用sklearn.datasets的load_iris来加载数据集


# 加载鸢尾花数据集
iris = load_iris()

# 创建DataFrame
iris_df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
iris_df['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)


# 使用 lmplot() 函数绘制图表
sns.lmplot(
    x="sepal length (cm)",  # x 轴变量
    y="petal length (cm)",  # y 轴变量
    hue="species",     # 数据分类变量
    data=iris_df,         # 数据源
    palette="Set1",    # 为不同的 species 设置不同的颜色
    markers=["o", "s", "D"],  # 为不同的 species 设置不同的标记
    height=5,          # 图表高度
    aspect=1.5,        # 图表宽高比
    fit_reg=False,     # 关闭线性回归拟合线，因为我们更关注数据分布
    scatter_kws={"s": 50, "alpha": 0.8}  # 设置散点的大小和透明度
)

# 添加标题
plt.title("cjavapy")
plt.draw()

# 显示图形
plt.show()

3、数据集分布可视化

使用 Seaborn 的 lmplot() 创建的鸢尾花数据集的散点图。展示数据的分布而非探究变量间的线性关系。可视化是理解数据、模型和预测结果的重要工具。散点图用于展示数据点的分布情况，适用于数值型数据。

使用示例：Python 机器学习 数据集分布可视化-CJavaPy

​