Python 机器学习散点图

  • 散点图

    散点图是一个图表,其中数据集中的每个值都由一个点表示。
    Matplotlib模块有一种绘制散点图的方法,它需要两个长度相同的数组,一个数组用于x轴的值,一个数组用于y轴的值:
    y = [5,7,8,7,2,17,2,9,4,11,12,9,6]
    
    x = [99,86,87,88,111,86,103,87,94,78,77,85,86]
    x数组代表每辆汽车的车龄。y数组代表每辆汽车的速度。
    使用该scatter()方法绘制散点图:
    import matplotlib.pyplot as plt
    
    x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
    y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
    
    plt.scatter(x, y)
    plt.show()
    输出如下所示:
    ml
    注意:由于正态分布图具有钟形的特征形状,因此也称为 钟形曲线。
    散点图解释::
    x轴表示年龄,y轴表示速度。从图中可以看到,两辆最快的汽车都使用了2年,最慢的汽车使用了12年。
    注意:汽车似乎越新,行驶速度就越快,但这可能是一个巧合,毕竟我们只注册了13辆汽车。
  • 随机数据分布

    在机器学习中,数据集可以包含成千上万甚至数百万个值。测试算法时,您可能没有真实的数据,您可能必须使用随机生成的值。正如我们在上一章中学到的那样,NumPy模块可以帮助我们!让我们创建两个数组,它们都填充有正常数据分布中的1000个随机数。第一个数组的平均值设置为5.0,标准差为1.0。第二个数组的平均值设置为10.0,标准差为2.0:
    有1000个点的散点图:
    import numpy
    import matplotlib.pyplot as plt
    
    x = numpy.random.normal(5.0, 1.0, 1000)
    y = numpy.random.normal(10.0, 2.0, 1000)
    
    plt.scatter(x, y)
    plt.show()
    输出如下所示:
    ml
    散点图解释::
    我们可以看到,点集中在x轴上的值5和y轴上的10周围。我们还可以看到,在y轴上的扩散比在x轴上的扩散大。