在 PCA 和 LDA 图中绘制凸包 - Python

如何解决在 PCA 和 LDA 图中绘制凸包 - Python

在下面的代码中，有一个基于 Iris 数据集的主成分分析 (PCA) 和线性判别分析 (LDA) 图示例。如何将其凸包添加到每个组中？

import matplotlib.pyplot as plt

from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.discriminant_analysis import LineardiscriminantAnalysis

iris = datasets.load_iris()

X = iris.data
y = iris.target
target_names = iris.target_names

pca = PCA(n_components=2)
X_r = pca.fit(X).transform(X)

lda = LineardiscriminantAnalysis(n_components=2)
X_r2 = lda.fit(X,y).transform(X)

# Percentage of variance explained for each components
print('explained variance ratio (first two components): %s'
      % str(pca.explained_variance_ratio_))

plt.figure()
colors = ['navy','turquoise','darkorange']
lw = 2

for color,i,target_name in zip(colors,[0,1,2],target_names):
    plt.scatter(X_r[y == i,0],X_r[y == i,1],color=color,alpha=.8,lw=lw,label=target_name)
plt.legend(loc='best',shadow=False,scatterpoints=1)
plt.title('PCA of IRIS dataset')

plt.figure()
for color,target_names):
    plt.scatter(X_r2[y == i,X_r2[y == i,scatterpoints=1)
plt.title('LDA of IRIS dataset')

plt.show()

解决方法

使用 SciPy，您可以非常轻松地绘制 convex hull of points。

hull = ConvexHull(X_r)
for simplex in hull.simplices:
    plt.plot(X_r[simplex,0],X_r[simplex,1],'k-')

如果您想对每个组单独执行此操作，您可以修改代码并将 X_r 更改为包含所需点的相应子集。这将是您的代码段的以下内容：

for color,i,target_name in zip(colors,[0,1,2],target_names):
    plt.scatter(X_r[y == i,X_r[y == i,color=color,alpha=.8,lw=lw,label=target_name)

    hull = ConvexHull(X_r[y == i])
    for simplex in hull.simplices:
        plt.plot(X_r[y==i][simplex,X_r[y==i][simplex,'k-')

对于您的第一个图，这将给出以下结果：