Gráfico de la función de decisión de un conjunto de datos con pesos

Introducción

En este tutorial, aprenderemos cómo trazar una función de decisión de un conjunto de datos con pesos utilizando scikit-learn. También aprenderemos cómo asignar diferentes pesos a las muestras en el conjunto de datos para mostrar cómo los pesos afectan a la función de decisión.

Consejos sobre la VM

Una vez finalizada la inicialización de la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje su retroalimentación después de la sesión y resolveremos rápidamente el problema para usted.

Importar las bibliotecas necesarias

Comenzamos importando las bibliotecas necesarias para nuestro proyecto.

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model

Crear un conjunto de datos con pesos

Creamos un conjunto de datos con pesos utilizando la biblioteca numpy. Generamos 20 puntos con valores aleatorios y asignamos un peso mayor a las últimas 10 muestras.

np.random.seed(0)
X = np.r_[np.random.randn(10, 2) + [1, 1], np.random.randn(10, 2)]
y = [1] * 10 + [-1] * 10
sample_weight = 100 * np.abs(np.random.randn(20))
sample_weight[:10] *= 10

Graficar el conjunto de datos con pesos

Graficamos el conjunto de datos con pesos utilizando la biblioteca matplotlib. El tamaño de los puntos es proporcional a su peso.

xx, yy = np.meshgrid(np.linspace(-4, 5, 500), np.linspace(-4, 5, 500))
fig, ax = plt.subplots()
ax.scatter(
    X[:, 0],
    X[:, 1],
    c=y,
    s=sample_weight,
    alpha=0.9,
    cmap=plt.cm.bone,
    edgecolor="black",
)

Ajustar el modelo sin pesos

Ajustamos un modelo sin pesos utilizando el algoritmo SGDClassifier de la biblioteca scikit-learn. Luego graficamos la función de decisión del modelo sin pesos.

clf = linear_model.SGDClassifier(alpha=0.01, max_iter=100)
clf.fit(X, y)
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
no_weights = ax.contour(xx, yy, Z, levels=[0], linestyles=["solid"])

Ajustar el modelo con pesos

Ajustamos un modelo con pesos utilizando el mismo algoritmo que en el Paso 4, pero esta vez pasamos el argumento sample_weight al método fit. Luego graficamos la función de decisión del modelo con pesos.

clf = linear_model.SGDClassifier(alpha=0.01, max_iter=100)
clf.fit(X, y, sample_weight=sample_weight)
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
samples_weights = ax.contour(xx, yy, Z, levels=[0], linestyles=["dashed"])

Agregar leyenda y mostrar la gráfica

Agregamos una leyenda a la gráfica para diferenciar entre los modelos sin pesos y con pesos. Luego mostramos la gráfica.

no_weights_handles, _ = no_weights.legend_elements()
weights_handles, _ = samples_weights.legend_elements()
ax.legend(
    [no_weights_handles[0], weights_handles[0]],
    ["no weights", "with weights"],
    loc="lower left",
)

ax.set(xticks=(), yticks=())
plt.show()

Resumen

En este tutorial, aprendimos cómo graficar una función de decisión de un conjunto de datos con pesos utilizando scikit-learn. También aprendimos cómo asignar diferentes pesos a las muestras en el conjunto de datos para mostrar cómo los pesos afectan a la función de decisión.