matplotlib画图练习题

### 关于机器学习期末考试中的画图题 在准备机器学习期末考试时，针对画图题的练习非常重要。这类题目通常涉及算法的理解及其可视化表示。以下是几种常见的机器学习画图题类型以及如何应对这些类型的建议。 #### 1. 数据分布与特征空间绘制 此类题目可能要求考生根据给定的数据集描绘数据点的位置，并标记不同类别的样本。这有助于理解分类器的工作机制和决策边界的概念[^4]。 ```python import matplotlib.pyplot as plt from sklearn.datasets import make_blobs # 创建模拟二分类数据集 X, y = make_blobs(n_samples=100, centers=2, random_state=42) plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis') plt.title('Data Distribution and Feature Space Visualization') plt.show() ``` 此代码片段展示了如何使用 `matplotlib` 和 `sklearn` 库来创建并展示一个简单的二维数据分布图表。 #### 2. 决策树结构绘图 对于基于树的方法如决策树和支持向量机等模型来说，能够手动画出其内部节点分裂过程是非常有益处的学习方式之一。通过这种方式可以更直观地了解模型是如何做出预测决定的[^5]。 ```python from sklearn.tree import DecisionTreeClassifier, plot_tree from sklearn.model_selection import train_test_split # 使用之前生成的数据训练一棵简单决策树 clf = DecisionTreeClassifier(max_depth=3).fit(X_train, y_train) fig, ax = plt.subplots(figsize=(8, 6)) plot_tree(clf, filled=True, rounded=True, class_names=['Class A', 'Class B'], feature_names=['Feature 1', 'Feature 2']) ax.set_title('Decision Tree Structure Diagram') plt.show() ``` 这段Python脚本说明了怎样利用Scikit-Learn库内的工具函数快速构建并显示一颗已训练好的决策树图形化视图。 #### 3. 聚类效果评估图 聚类分析也是机器学习领域内重要的无监督学习方法之一。为了验证所选参数设置是否合理有效，可以通过肘部法则或者轮廓系数等方式来进行定量评价；同时也可以借助散点图配合颜色编码的方式展现各类簇之间的相对位置关系[^6]。 ```python from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score kmeans = KMeans(n_clusters=3).fit(X) labels = kmeans.labels_ plt.figure(figsize=(7, 7)) plt.scatter(X[:, 0], X[:, 1], c=labels, s=50, cmap='viridis') centers = kmeans.cluster_centers_ plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75); plt.title('Clustering Effect Evaluation Plot'); plt.show() print(f'Silhouette Score: {silhouette_score(X, labels):.3f}') ``` 上述例子中不仅包含了K均值聚类的结果可视化部分，还计算了一个常用的度量指标——轮廓分数(Silhouette Score)，用于衡量聚类的质量好坏程度。