import matplotlib.pyplot as plt from sklearn.decomposition import PCA # 进行PCA降维 pca = PCA(n_components=2) x_pca = pca.fit_transform(x) # 绘制散点图 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5)) ax1.scatter(x_pca[:, 0], x_pca[:, 1], c=y) ax1.set_title('Original dataset') # 进行ADASYN过采样 adasyn = ADASYN(random_state=42) x_resampled, y_resampled = adasyn.fit_resample(x, y) # 进行PCA降维 x_resampled_pca = pca.transform(x_resampled) # 绘制散点图 ax2.scatter(x_resampled_pca[:, 0], x_resampled_pca[:, 1], c=y_resampled) ax2.set_title('Resampled dataset') plt.show()把点弄小一点

你可以调整`scatter`函数中的`s`参数来改变散点的大小。例如，将`s`设置为`10`可以使散点变得更小：

import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 进行PCA降维
pca = PCA(n_components=2)
x_pca = pca.fit_transform(x)

# 绘制散点图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))
ax1.scatter(x_pca[:, 0], x_pca[:, 1], c=y, s=10)
ax1.set_title('Original dataset')

# 进行ADASYN过采样
adasyn = ADASYN(random_state=42)
x_resampled, y_resampled = adasyn.fit_resample(x, y)

# 进行PCA降维
x_resampled_pca = pca.transform(x_resampled)

# 绘制散点图
ax2.scatter(x_resampled_pca[:, 0], x_resampled_pca[:, 1], c=y_resampled, s=10)
ax2.set_title('Resampled dataset')
plt.show()

该代码将原始数据集和ADASYN过采样后的数据集投影到二维平面上，并使用散点图进行可视化比较。其中，原始数据集的样本点用不同颜色进行区分，而过采样后的样本点则全部用相同颜色表示。所有散点的大小都设置为了`10`。你可以根据需要调整`s`参数的大小。