模式识别的一个实验，要求画出贝叶斯决策的图。这里我是利用python中的matplotlib库实现的图线的拟合。主要对于matplotlib的使用可以参照博客：webary
如果要绘制三维图像可以参考博客：python绘制三维图
具体实现：
接下来，就是对具体数据进行绘图了。比如我们要绘制一条y=x^2的曲线，可这样写代码：
x = range(10) # 横轴的数据 y = [i*i for i in x] # 纵轴的数据 pl.plot(x, y) # 调用pylab的plot函数绘制曲线 pl.show() # 显示绘制出的图
可以看到，要显示一个图非常简单，只要有了两个list作为输入数据，先后调用plot和show函数就可以了。一定要记得只有调用了show之后才会显示出来！只有plot是不行的！在实际运用中，可能这样一条简单粗暴的线可能并不是我们想要的最好的结果，比如，想要在图形上显示原始数据点，很简单，只要在plot函数中加上一个参数即可： pl.plot(x, y,'ob-') # 显示数据点，并用蓝色(blue)实现绘制该图形
这个参数用法比较灵活，可以从下面的值中组合选择：
颜色（color 简写为 c）： 蓝色： 'b' (blue) 绿色： 'g' (green) 红色： 'r' (red) 蓝绿色(墨绿色)： 'c' (cyan) 红紫色(洋红)： 'm' (magenta) 黄色： 'y' (yellow) 黑色： 'k' (black) 白色： 'w' (white) 线型（linestyle 简写为 ls）： 实线： '-' 虚线： '--' 虚点线： '-.' 点线： ':' 点： '.' 点型（标记marker）： 像素： ',' 圆形： 'o' 上三角： '^' 下三角： 'v' 左三角： '<' 右三角： '>' 方形： 's' 加号： '+' 叉形： 'x' 棱形： 'D' 细棱形： 'd' 三脚架朝下： '1'（像'丫'） 三脚架朝上： '2' 三脚架朝左： '3' 三脚架朝右： '4' 六角形： 'h' 旋转六角形： 'H' 五角形： 'p' 垂直线： '|' 水平线： '_'
线是调好了，可是还想加上横纵坐标的说明呢？也很简单，在调用show函数之前添加如下代码:
pl.xlabel(u"我是横轴") pl.ylabel(u"我是纵轴")
这里一定要记住，传递的字符串一定要是Unicode编码，如果是直接传入字符串，形式如 u'这里是要写的字符串' 即可。
现在就直观多了吧，终于像一个正常的图了，不过，还想再在图里加个图例该咋办？也不难，继续给plot传参数：
pl.plot(x, y, 'ob-', label=u'y=x^2曲线图') # 加上label参数添加图例 pl.legend() # 让图例生效
oh，看到图像上面光秃秃的，就好想给它加个标题： pl.title(u'图像标题') # 字符串也需要是unicode编码 有时候，我们的数据可能分布并没有这么集中，比如我们想要对项目中的某些数据进行绘图观察时发现，大量数据聚集在0附近，而少量很大的数据会导致图像显示效果很不好，比如：
x = range(10)+[100] y = [i*i for i in x] pl.plot(x, y, 'ob-', label=u'y=x^2曲线图')
这时，我们想要限制需要显示的坐标范围：
pl.xlim(-1, 11) # 限定横轴的范围 pl.ylim(-1, 110) # 限定纵轴的范围
这里是我实验的实现部分：
# -*- 环境：python 3 -*- # -*- 代码于https://www.cnblogs.com/doggod/p/9917638.html -*- import cmath lis = [-3.9847,-3.5549,-1.2401,-0.9780,-0.7932,-2.8531,-2.7605,-3.7287,-3.5414,-2.2692,-3.4549,-3.0752,-3.9934,2.8792,-0.9780,0.7932,1.1882,3.0682,-1.5799,-1.4885,-0.7431,-0.4221,-1.1186,4.2532] pw1=0.9;pw2=0.1;e1=-2.0;a1=0.5;e2=2.0;a2=2.0 #定义所给的常数 def func(x,a,b): #求正态分布的函数 return ( 1.0/(cmath.sqrt(2.0*(cmath.pi.real)).real)*b*(cmath.exp(-1.0*(x-a)*(x-a)/2.0/b/b).real)); point1 = [];pot1 = [] #为后面作图所画点集的list/正常点 point2 = [];pot2 = [] #为后面作图所画点集的list/异常点 for t in lis: #遍历所给细胞，判断所给的细胞是否是异常细胞 p1 = (pw1 * func(t, e1, a1)) / (pw1 * func(t, e1, a1) + pw2 * func(t, e2, a2)) p2 = (pw2 * func(t, e2, a2)) / (pw1 * func(t, e1, a1) + pw2 * func(t, e2, a2)) if(p1>=p2): print(0,' ',end='') point1.append(t) pot1.append(0); else: print(1,' ',end='') point2.append(t) pot2.append(0); import matplotlib.pyplot as plt #引入matplotlib与numpy - python画图工具 import numpy as np plt.figure('拟合图像') #定义名字 x1=[];y1=[] #存储后面linspace函数所产生点的list为拟合图像做准备 x2=[];y2=[] a=np.linspace(-5,8,100) #产生均匀点 for i in a: x1.append(i) y1.append((pw1 * func(i, e1, a1)) / (pw1 * func(i, e1, a1) + pw2 * func(i, e2, a2))) #计算所给i的后验概率 x2.append(i) y2.append((pw2 * func(i, e2, a2)) / (pw1 * func(i, e1, a1) + pw2 * func(i, e2, a2))) plt.plot(x1,y1,label= u'normal cell' ) #画出正常点的线 plt.plot(x2,y2,label= u'abnormal cell' ) #画出异常点的线 plt.xlabel(u"Cell attribute value") #为x轴取名 plt.ylabel(u"Post continuation probability") #为y轴取名 plt.plot(point1,pot1,'gp') #画出点集 plt.plot(point2,pot2,'mx') plt.legend() #显示图例 plt.show()
实现结果如图所示：
