机器学习——生成分类数据的坐标系边界需要用到的技术方法

0、前言：

• 如果遇到一种应用场景需要将x轴数据和y轴数据所有点映射到坐标系中，需要得到坐标系中x和y映射的坐标点，就要用到meshgrid把x和y映射到坐标系中，然后把得到的结果用ravel把结果转成一维的。
• 用np.c_()把x数据和y数据堆叠在一起，就可以用来输入模型做训练。
• 如下图就是把一组x轴数据和一组y轴数据变成组合在一起的坐标的方法，先通过meshgrid将x轴数据和y轴数据一一对应成为坐标轴网格数据中的x坐标和y坐标，然后扁平化，然后再组合成坐标对。
  

1、numpy库中的meshgrid方法：

• 该函数常用于在二维或三维空间中创建网格点坐标
• 示例

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = [1,2,3]
y = [4,5]
X,Y = np.meshgrid(x,y)
display(pd.DataFrame(X))
'''
	0	1	2
0	1	2	3
1	1	2	3
'''
display(pd.DataFrame(Y))
'''
	0	1	2
0	4	4   4
1	5	5	5

'''
# 组合
# 相交点
XY = np.c_[X.ravel(),Y.ravel()]
display(pd.DataFrame(XY))
'''
	0	1
0	1	4
1	2	4
2	3	4
3	1	5
4	2	5
5	3	5
'''
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

• 理解：通过meshgrid方法，就是相当于把输入的x坐标和输入的y坐标组合在一起对应成网格点，然后把网格点对应x坐标和y坐标以网格点的形式返回。例如我们看到显示返回的x坐标的时候，每一列都是同一个数，返回y坐标中每一行都是同一个数。

---

2、np.ravel() ：

• 在 NumPy 中，你可以使用 np.ravel() 方法来将一个多维数组转换成一个一维数组。

a = np.array(
    [[1,1,1],
     [2,2,2],
     [3,3,3]]
)
a.ravel() # array([1, 1, 1, 2, 2, 2, 3, 3, 3])
1
2
3
4
5
6

---

3、np.c_[a,b]：

• numpy中的.c_方法把他们按照坐标的形式组合在一起。np.c_ 或 np.column_stack 将输入的数组以列为主导(左右组合)进行堆叠，生成一个新的数组。输入数组的每一行都会成为新数组的一列。这对于需要将多个一维数组组合成二维数组的情况非常有用。

a = np.array(
    [[1,1,1],
     [2,2,2],
     [3,3,3]]
)
b = np.array(
    [[4,4,4],
     [5,5,5],
     [6,6,6]]
)
A = np.c_[a,b]
'''
array([[1, 1, 1, 4, 4, 4],
       [2, 2, 2, 5, 5, 5],
       [3, 3, 3, 6, 6, 6]])
'''
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

---

4、sklearn.datasets.make_blobs：

• 这是一个Scikit-learn库中的函数，用于创建带有随机分隔的聚类数据集。
• 示例：

data,target = make_blobs()
'''
参数：
n_samples=100，样本数量，行数
n_features=2, 特征数量，列数
centers=None，中心点个数，默认3
cluster_std=1.0，聚集，表示每一堆点的聚集程度
center_box=(-10,10)，表示中心的范围
'''
plt.scatter(data[:,0],data[:,1],c=target)
1
2
3
4
5
6
7
8
9
10

---