Étudier l'apprentissage automatique ~ matplotlib ~

Étudier l'apprentissage automatique ~ matplotlib ~

Cette fois, j'ai étudié matplotlib, donc je vais le sortir.

1. Qu'est-ce que matplotlib?

Une bibliothèque externe qui visualise les données. Comme numpy et pandas, il n'est pas inclus dans Python au début, mais il est installé dans Anacondan depuis le début.

2. Qu'est-ce qui est bon pour visualiser les données?

Vous pouvez trouver rapidement les valeurs aberrantes.

Par exemple, disons que vous avez des statistiques sur le prix des bonbons. Ce serait étrange s'il y avait des données sur les bonbons pour 10 000 yens chacun parmi les bonbons pour environ 100 yens chacun, non? Il est très difficile de trouver instantanément les données étranges, mais vous pouvez les trouver instantanément en visualisant les données avec un graphique ou autre.

N'y a-t-il qu'un seul point étrange ici? (Des rires)

3. Utilisation de base

importer

test.ipynb


#Importer matplotlib
import matplotlib.pyplot as plt
%matplotlib inline

Faisons ce qui précède. Utilisez% matplotlib inline uniquement lorsque vous l'utilisez avec Jupyter Notebook. Cette fois, seule la fonction pyplot est utilisée, donc seul pyplot est importé.

Dessiner un graphique

test.ipynb


#Réglage de la taille du graphique(4×4)
plt.figure(figsize=(4,4))
#Créer un graphique
plt.plot([1,2,3,4,5],[6,7,8,9,10],label='test')
#nom de l'axe des x
plt.xlabel('axe x')
#nom de l'axe y
plt.ylabel('axe y')
#Titre du graphique
plt.title('Titre')
#Refléter la légende ci-dessus dans le graphique
plt.legend()
#Afficher le graphique
plt.show()

La fonction de base est ci-dessus. Même si vous ne décrivez pas plt.show (), le graphique sera affiché, alors n'hésitez pas à l'utiliser.

Si vous voulez décrire le graphique du carré de x, ...

test.ipynb


import numpy as np

#1~Remplacez x par un tableau de 10
x = np.arange(0,11,1)
#Définissez la valeur de y sur le carré de x
y = x ** 2
plt.plot(x,y,label='y = x^2')
#nom de l'axe des x
plt.xlabel('axe x')
#nom de l'axe y
plt.ylabel('axe y')
#Titre du graphique
plt.title('y = x^2')
#Refléter la légende ci-dessus dans le graphique
plt.legend()
#Afficher le graphique
plt.show()

Vous pouvez le faire avec ça.

Affichez plusieurs graphiques.

Ensuite, nous décrirons comment afficher plusieurs graphiques.

test.ipynb


#Créez un graphique d'une taille totale de 8 x 8 sur 2 lignes et 2 colonnes
fig,ax = plt.subplots(2,2,figsize=(8,8))
#x,y,Définir la plage z
x = np.arange(0,11,1)
y = x ** 2
z = x ** 3
#Créer un graphique
ax[0,0].plot(x,x,label='x = x',color='red')
ax[0,1].plot(x,y,label='y = x^2'),color='green')
ax[1,0].plot(x,z,label='z = x^3'),color='blue')

#Paramètres du graphique
for i in range(2):
  for j in range(2):
    ax[i,j].set_xlabel('axe x')
    ax[i,j].set_ylabel('axe y')
    ax[i,j].legend()

plt.tight_layout()

Créez un graphique de 8 tailles verticalement et horizontalement dans toute la taille de la fig. Quatre graphiques de deux tailles, vertical et horizontal, y sont créés.

La fonction tight_layout est une fonction qui empêche les graphiques de se chevaucher.

Créer d'autres graphiques

Jusqu'à présent, seuls les graphiques à barres étaient disponibles, mais vous pouvez bien sûr créer d'autres graphiques également.

test.ipynb


#diagramme circulaire
plt.pie()
#histogramme
plt.hist()
#Nuage de points
plt.scatter()

Bien que les arguments soient omis, le graphique circulaire et l'histogramme montrent le rapport et la transition de chaque donnée. Le nuage de points est utilisé pour vérifier les données d'ensemble, donc si vous êtes intéressé, veuillez le vérifier!

4. Résumé

Machine learning J'ai été ici jusqu'à présent, mais c'est amusant! Je n'ai pas parlé une langue qui puisse faire diverses choses comme celle-ci, donc c'est bien de pouvoir faire beaucoup de choses. Je le publierai dans la sortie demain et au-delà, mais ne le manquez pas ...

c'est tout

Recommended Posts

Étudier l'apprentissage automatique ~ matplotlib ~
Apprentissage automatique
[Apprentissage automatique] Étudions l'arbre de décision
[Apprentissage automatique] Essayez d'étudier une forêt aléatoire
[Memo] Apprentissage automatique
Classification de l'apprentissage automatique
Exemple d'apprentissage automatique
Résumé du didacticiel d'apprentissage automatique
Apprentissage automatique sur le surapprentissage
Apprentissage automatique: supervisé - AdaBoost
Régression logistique d'apprentissage automatique
Machine de vecteur de support d'apprentissage automatique
Étudier l'apprentissage automatique - Édition Pandas -
Régression linéaire d'apprentissage automatique
Mémo du cours d'apprentissage automatique
Bibliothèque d'apprentissage automatique dlib
Apprentissage automatique (TensorFlow) + Lotto 6
Apprenez en quelque sorte le machine learning
Bibliothèque d'apprentissage automatique Shogun
Défi de lapin d'apprentissage automatique
Introduction à l'apprentissage automatique
Apprentissage automatique: k-voisins les plus proches
Qu'est-ce que l'apprentissage automatique?
Modèle d'apprentissage automatique prenant en compte la maintenabilité
L'apprentissage automatique appris avec Pokemon
Ensemble de données pour l'apprentissage automatique
Apprentissage automatique dans Delemas (s'entraîner)
Une introduction à l'apprentissage automatique
Techniques liées à l'apprentissage automatique / à la classification
Machine Learning: Supervision - Régression linéaire
Bases de l'apprentissage automatique (mémoire)
Un débutant en apprentissage automatique a essayé la RBM
[Apprentissage automatique] Comprendre la forêt aléatoire
Apprentissage automatique avec Python! Préparation
Bloc-notes de ressources d'étude d'apprentissage automatique
Apprentissage automatique ② Résumé Naive Bayes
Comprendre l'apprentissage automatique ~ régression de crête ~.
Résumé de l'article sur l'apprentissage automatique (auto-écrit)
À propos de la matrice mixte d'apprentissage automatique
Apprentissage automatique: forêt supervisée - aléatoire
Mémo pratique du système d'apprentissage automatique
Démineur d'apprentissage automatique avec PyTorch
Créer un environnement d'apprentissage automatique
Programmation Python Machine Learning> Mots-clés
Algorithme d'apprentissage automatique (perceptron simple)
Utilisé en EDA pour l'apprentissage automatique
Importance des ensembles de données d'apprentissage automatique
Apprentissage automatique et optimisation mathématique
Machine Learning: Supervisé - Support Vector Machine
Machine learning supervisé (classification / régression)
J'ai essayé d'implémenter Extreme Learning Machine
Commencer avec l'apprentissage automatique Python
Algorithme d'apprentissage automatique (machine vectorielle de support)
Super introduction à l'apprentissage automatique
4 [/] Quatre arithmétiques par apprentissage automatique
Apprentissage automatique ④ Résumé du K-plus proche voisin
Pokemon Machine Learning Nth décoction
Essayez le machine learning à la légère avec Kaggle
Modèle d'empilage d'apprentissage automatique (retour)
Machine Learning: Supervisé - Arbre de décision