决策树绘制散点图代码

以下是使用Python和matplotlib绘制决策树散点图的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X = np.random.randn(100, 2)

# 给数据打上标签
y = np.zeros(100)
y[X[:, 0] > 0] = 1
y[X[:, 1] > 0] = 2
y[(X[:, 0] > 0) & (X[:, 1] > 0)] = 3

# 绘制散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis')
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()

该代码生成了一个100个点的随机数据集，并根据x1和x2的值给每个点打上了标签。然后，使用`plt.scatter`绘制了散点图，并使用`c`参数指定了每个点的颜色，以显示标签信息。最后，使用`plt.xlabel`和`plt.ylabel`添加了坐标轴标签，并使用`plt.show`显示图形。您可以根据自己的需求修改数据集和绘图参数。

相关问题

决策树散点图代码

决策树模型可以使用 Graphviz 库绘制出来，其中散点图可以用节点颜色表示。以下是一个简单的示例代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, export_graphviz
import graphviz

# 加载数据集
iris = load_iris()
X = iris.data[:, 2:]  # 取花瓣长度和宽度两个特征
y = iris.target

# 训练决策树模型
tree_clf = DecisionTreeClassifier(max_depth=2)
tree_clf.fit(X, y)

# 将决策树导出为DOT格式
dot_data = export_graphviz(tree_clf, out_file=None, 
                           feature_names=iris.feature_names[2:],  
                           class_names=iris.target_names,  
                           filled=True, rounded=True,  
                           special_characters=True)

# 使用Graphviz库将DOT格式转换为PDF格式并显示
graph = graphviz.Source(dot_data)
graph.format = 'pdf'
graph.render("iris_decision_tree")

# 绘制散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.get_cmap('viridis', 3))
plt.xlabel('Petal Length')
plt.ylabel('Petal Width')
plt.show()

这段代码使用了鸢尾花数据集，使用了决策树模型对花瓣长度和宽度两个特征进行分类，并将分类结果用颜色表示。使用 `export_graphviz` 函数将训练好的决策树模型导出为DOT格式，然后使用 Graphviz 库将DOT格式转换为 PDF 格式并显示出来。最后使用 `scatter` 函数绘制散点图，其中 `c` 参数表示颜色映射，`cmap` 参数指定使用的颜色映射类型。

sklearn决策树散点图代码

在Scikit-learn中，创建决策树的散点图（也称为决策边界）需要先训练一个决策树模型，然后利用`plot_tree`函数来可视化。这里是一个简单的例子，假设我们有鸢尾花数据集（Iris dataset）并使用`DecisionTreeClassifier`训练了一个模型：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练决策树
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 可视化决策树
plt.figure(figsize=(10, 6))
tree.plot_tree(clf, filled=True, class_names=iris.target_names, feature_names=iris.feature_names)
plt.title("Decison Tree for Iris Dataset")
plt.show()

这段代码首先加载了鸢尾花数据，接着划分了训练集和测试集，然后用训练数据训练了一个决策树模型。最后通过`plot_tree`方法绘制了决策树，并显示出来。

如果你想要看到每个样本点在二维空间（比如前两个主成分）中的位置及其所属的决策路径，可以使用`export_graphviz`将决策树导出为图形文件，然后用Graphviz软件打开，结合其他工具（如`pydot`）读取并渲染成图像。

注意：实际操作时可能需要安装额外的依赖，如`graphviz`和`pydotplus`。