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?
代码:
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:
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。