如何在Python中使用Yellowbrick實(shí)現(xiàn)可視化？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。
目前創(chuàng)新互聯(lián)已為1000多家的企業(yè)提供了網(wǎng)站建設(shè)、域名、虛擬主機(jī)、成都網(wǎng)站托管、企業(yè)網(wǎng)站設(shè)計(jì)、柏鄉(xiāng)網(wǎng)站維護(hù)等服務(wù)，公司將堅(jiān)持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長，共同發(fā)展。Yellowbrick主要包含的組件如下：
Visualizers Visualizers也是estimators（從數(shù)據(jù)中習(xí)得的對象），其主要任務(wù)是產(chǎn)生可對模型選擇過程有更深入了解的視圖。從Scikit-Learn來看，當(dāng)可視化數(shù)據(jù)空間或者封裝一個模型estimator時，其和轉(zhuǎn)換器（transformers）相似，就像"ModelCV" (比如 RidgeCV, LassoCV )的工作原理一樣。Yellowbrick的主要目標(biāo)是創(chuàng)建一個和Scikit-Learn類似的有意義的API。其中最受歡迎的visualizers包括： 特征可視化 Rank Features: 對單個或者兩兩對應(yīng)的特征進(jìn)行排序以檢測其相關(guān)性 Parallel Coordinates: 對實(shí)例進(jìn)行水平視圖 Radial Visualization: 在一個圓形視圖中將實(shí)例分隔開 PCA Projection: 通過主成分將實(shí)例投射 Feature Importances: 基于它們在模型中的表現(xiàn)對特征進(jìn)行排序 Scatter and Joint Plots: 用選擇的特征對其進(jìn)行可視化 分類可視化 Class Balance: 看類的分布怎樣影響模型 Classification Report: 用視圖的方式呈現(xiàn)精確率，召回率和F1值 ROC/AUC Curves: 特征曲線和ROC曲線子下的面積 Confusion Matrices: 對分類決定進(jìn)行視圖描述 回歸可視化 Prediction Error Plot: 沿著目標(biāo)區(qū)域?qū)δＰ瓦M(jìn)行細(xì)分 Residuals Plot: 顯示訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)中殘差的差異 Alpha Selection: 顯示不同alpha值選擇對正則化的影響 聚類可視化 K-Elbow Plot: 用肘部法則或者其他指標(biāo)選擇k值 Silhouette Plot: 通過對輪廓系數(shù)值進(jìn)行視圖來選擇k值 文本可視化 Term Frequency: 對詞項(xiàng)在語料庫中的分布頻率進(jìn)行可視化 t-SNE Corpus Visualization: 用隨機(jī)鄰域嵌入來投射文檔
這里以癌癥數(shù)據(jù)集為例繪制ROC曲線，如下：
def testFunc1(savepath='Results/breast_cancer_ROCAUC.png'): ''' 基于癌癥數(shù)據(jù)集的測試 ''' data=load_breast_cancer() X,y=data['data'],data['target'] X_train, X_test, y_train, y_test = train_test_split(X, y) viz=ROCAUC(LogisticRegression()) viz.fit(X_train, y_train) viz.score(X_test, y_test) viz.poof(outpath=savepath)
結(jié)果如下：
結(jié)果看起來也是挺美觀的。
之后用平行坐標(biāo)的方法對高維數(shù)據(jù)進(jìn)行作圖，數(shù)據(jù)集同上：
def testFunc2(savepath='Results/breast_cancer_ParallelCoordinates.png'): ''' 用平行坐標(biāo)的方法對高維數(shù)據(jù)進(jìn)行作圖 ''' data=load_breast_cancer() X,y=data['data'],data['target'] print 'X_shape: ',X.shape #X_shape: (569L, 30L) visualizer=ParallelCoordinates() visualizer.fit_transform(X,y) visualizer.poof(outpath=savepath)
結(jié)果如下：
這個最初沒有看明白什么意思，其實(shí)就是高維特征數(shù)據(jù)的可視化分析，這個功能還可以對原始數(shù)據(jù)進(jìn)行采樣，之后再繪圖。
基于癌癥數(shù)據(jù)集，使用邏輯回歸模型來分類，繪制分類報告
def testFunc3(savepath='Results/breast_cancer_LR_report.png'): ''' 基于癌癥數(shù)據(jù)集，使用邏輯回歸模型來分類，繪制分類報告 ''' data=load_breast_cancer() X,y=data['data'],data['target'] model=LogisticRegression() visualizer=ClassificationReport(model) X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42) visualizer.fit(X_train,y_train) visualizer.score(X_test,y_test) visualizer.poof(outpath=savepath)
結(jié)果如下：
這樣的結(jié)果展現(xiàn)方式還是比較美觀的，在使用的時候發(fā)現(xiàn)了這個模塊的一個不足的地方，就是：如果連續(xù)繪制兩幅圖片的話，第一幅圖片就會累加到第二幅圖片中去，多幅圖片繪制亦是如此，在matplotlib中可以使用plt.clf()方法來清除上一幅圖片，這里沒有找到對應(yīng)的API，希望有找到的朋友告知一下。
接下來基于共享單車數(shù)據(jù)集進(jìn)行租借預(yù)測，具體如下：
首先基于特征對相似度分析方法來分析共享單車數(shù)據(jù)集中兩兩特征之間的相似度
重慶分公司
重慶分公司
def testFunc5(savepath='Results/bikeshare_Rank2D.png'):
'''
共享單車數(shù)據(jù)集預(yù)測
'''
data=pd.read_csv('bikeshare/bikeshare.csv')
X=data[["season", "month", "hour", "holiday", "weekday", "workingday",
"weather", "temp", "feelslike", "humidity", "windspeed"
]]
y=data["riders"]
visualizer=Rank2D(algorithm="pearson")
visualizer.fit_transform(X)
visualizer.poof(outpath=savepath)
基于線性回歸模型實(shí)現(xiàn)預(yù)測分析
def testFunc7(savepath='Results/bikeshare_LinearRegression_ResidualsPlot.png'):
'''
基于共享單車數(shù)據(jù)使用線性回歸模型預(yù)測
'''
data = pd.read_csv('bikeshare/bikeshare.csv')
X=data[["season", "month", "hour", "holiday", "weekday", "workingday",
"weather", "temp", "feelslike", "humidity", "windspeed"]]
y=data["riders"]
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
visualizer=ResidualsPlot(LinearRegression())
visualizer.fit(X_train, y_train)
visualizer.score(X_test, y_test)
visualizer.poof(outpath=savepath)結(jié)果如下：
基于共享單車數(shù)據(jù)使用AlphaSelection
def testFunc8(savepath='Results/bikeshare_RidgeCV_AlphaSelection.png'):
'''
基于共享單車數(shù)據(jù)使用AlphaSelection
'''
data=pd.read_csv('bikeshare/bikeshare.csv')
X=data[["season", "month", "hour", "holiday", "weekday", "workingday",
"weather", "temp", "feelslike", "humidity", "windspeed"]]
y=data["riders"]
alphas=np.logspace(-10, 1, 200)
visualizer=AlphaSelection(RidgeCV(alphas=alphas))
visualizer.fit(X, y)
visualizer.poof(outpath=savepath)結(jié)果如下：
基于共享單車數(shù)據(jù)繪制預(yù)測錯誤圖
def testFunc9(savepath='Results/bikeshare_Ridge_PredictionError.png'):
'''
基于共享單車數(shù)據(jù)繪制預(yù)測錯誤圖
'''
data=pd.read_csv('bikeshare/bikeshare.csv')
X=data[["season", "month", "hour", "holiday", "weekday", "workingday",
"weather", "temp", "feelslike", "humidity", "windspeed"]]
y=data["riders"]
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
visualizer=PredictionError(Ridge(alpha=3.181))
visualizer.fit(X_train, y_train)
visualizer.score(X_test, y_test)
visualizer.poof(outpath=savepath)
blog.csdn.net/Together_CZ/article/details/86640784結(jié)果如下：
看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進(jìn)一步的了解或閱讀更多相關(guān)文章，請關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計(jì)公司行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計(jì)公司的支持。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、網(wǎng)站設(shè)計(jì)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
