plots

classicML 提供了一系列的工具帮助你更好的理解和分析你设计的模型，其中cml.plots API就是用来可视化模型的辅助工具，承接之前的例子支持向量机的例子，你仅仅需要增加一行代码就可以可视化支持向量机

import classicML as cml
# 实例化一个支持向量机
model = cml.models.SVC(seed=2020)
# 编译模型参数，配置软间隔系数和核函数
model.compile(C=10000.0, kernel='rbf')
# 训练模型
model.fit(x, y)
# 在测试集上测试
y_pred = model.predict(x_test)
# 可视化模型
cml.plots.plot_svc(model, x, y, '密度', '含糖率')

可视化工具

plot_bayes

cml.plots.plot_bayes(bayes, x, y)

可视化朴素贝叶斯分类器或超父独依赖估计器的二维示意图.

参数

bayes: cml.models.NB 或者cml.models.SPODE，朴素贝叶斯分类器或超父独依赖估计器实例.
x: 一个 Numpy数组，或者是Pandas的DataFrame，特征数据.
y: 一个 Numpy数组，或者是Pandas的DataFrame，标签.

异常

ValueError: 模型没有训练的错误.

plot_ensemble

plot_ensemble(ensemble_model, x, y, x_label=None, y_label=None, plot_estimators=False)

可视化集成学习分类器二维示意图.

参数

ensemble_model: classicML.models.ensemble, 集成学习分类器实例.
x: 一个 Numpy数组, 特征数据.
y: 一个 Numpy数组, 标签.
x_label: 字符串, 横轴的标签.
y_label: 字符串, 纵轴的标签.
plot_estimators: 布尔值, 是否绘制基学习器的分类边界.

异常

ValueError: 模型没有训练的错误.

plot_gaussian_mixture

plot_gaussian_mixture(gaussian_mixture, x, x_label=None, y_label=None)

可视化高斯混合聚类二维示意图.

参数

gaussian_mixture: cml.models.GaussianMixture, 高斯混合聚类实例.
x: 一个 Numpy数组，特征数据.
x_label: 字符串，横轴的标签.
y_label: 字符串，纵轴的标签.

异常

ValueError: 模型没有训练的错误.

plot_history

plot_history(history)

可视化历史记录.

参数

history: cml.backend.callbacks.History , callbacks实例.

plot_k_means

plot_k_means(k_means, x, x_label=None, y_label=None)

可视化K-均值聚类二维示意图.

参数

k_means: cml.models.KMeans, K-均值聚类实例.
x: 一个 Numpy数组，特征数据.
x_label: 字符串，横轴的标签.
y_label: 字符串，纵轴的标签.

异常

ValueError: 模型没有训练的错误.

plot_linear_discriminant_analysis

plot_linear_discriminant_analysis(lda, x, y, x_label=None, y_label=None)  # 可以使用缩写 plot_lda()

可视化线性判别分析二维示意图.

参数

lda: cml.models.LDA，线性判别分析实例.
x: 一个 Numpy数组，特征数据.
y: 一个 Numpy数组，标签.
x_label: 字符串，横轴的标签.
y_label: 字符串，纵轴的标签.

异常

ValueError: 模型没有训练的错误.

plot_logistic_regression

plot_logistic_regression(logistic_regression, x, y, x_label=None, y_label=None)

可视化逻辑回归二维示意图.

参数

logistic_regression: cml.models.LogisticRegression，逻辑回归实例.
x: 一个 Numpy数组，特征数据.
y: 一个 Numpy数组，标签.
x_label: 字符串，横轴的标签.
y_label: 字符串，纵轴的标签.

异常

ValueError: 模型没有训练的错误.

plot_support_vector_classifier

plot_support_vector_classifier(svc, x, y, x_label=None, y_label=None)  # 可以使用缩写 plot_svc()

可视化支持向量分类器二维示意图.

参数

svc: cml.models.SVC，支持向量分类器实例.
x: 一个 Numpy数组，特征数据.
y: 一个 Numpy数组，标签.
x_label: 字符串，横轴的标签.
y_label: 字符串，纵轴的标签.

异常

ValueError: 模型没有训练的错误.

plot_tree

plot_tree(tree)

绘制树的示意图.

参数

tree: cml.models.Tree，树实例.