小编Chr*_*uso的帖子

我想知道制作y标签的最佳方法是什么,标签中的每个单词都可以是不同的颜色.

我之所以这样做是因为我将制作包含曲线(电场和矢量势场)的图.这些曲线将是不同的颜色,我想在标签中显示.以下是一个简化的示例,使用之前的帖子(在刻度标签中使用Matplotlib多种颜色)来关闭.这篇文章很适合x轴,但它没有正确地对y轴进行空间/排序.

另一个帖子有一个类似的问题(matplotlib中文本的部分着色),但第一个答案似乎根本不起作用,第二个答案使你将文件保存为.ps文件.

我的示例代码是

import numpy as np 
import matplotlib.pyplot as plt
from matplotlib.offsetbox import AnchoredOffsetbox, TextArea, HPacker, VPacker

ax = plt.subplot(111)

x = np.linspace(0,10,10)
y1 = x
y2 = x**2

ax.plot(x,y1,color='r',label='data1')
ax.plot(x,y2,color='b',label='data2')
ax.set_xticks([]) # empty xticklabels
ax.set_yticks([]) # empty xticklabels

# x-axis label
xbox1 = TextArea("Data1-x ", textprops=dict(color="r", size=15))
xbox2 = TextArea("and ", textprops=dict(color="k", size=15))
xbox3 = TextArea("Data2-x ", textprops=dict(color="b", size=15))

xbox = HPacker(children=[xbox1, xbox2, xbox3],
                  align="center", pad=0, sep=5)

anchored_xbox = AnchoredOffsetbox(loc=3, child=xbox, …

我想知道如何计算sklearn中LogisticRegressionCV的最终模型(即决策边界).所以说我有一些Xdata和ylabels这样的话

Xdata # shape of this is (n_samples,n_features)
ylabels # shape of this is (n_samples,), and it is binary

现在我跑了

from sklearn.linear_model import LogisticRegressionCV
clf = LogisticRegressionCV(Cs=[1.0],cv=5)
clf.fit(Xdata,ylabels)

这只是查看一个正则化参数和CV中的5倍.因此clf.scores_将是一个带有一个键的字典,其值为具有形状的数组(n_folds,1).通过这五个折叠,您可以更好地了解模型的执行方式.

但是,我对你得到的东西很困惑clf.coef_(我假设参数clf.coef_是用的clf.predict).我认为可能有以下几种选择:

1. 参数clf.coef_来自在所有数据上训练模型
2. 参数clf.coef_来自最佳得分折叠
3. 参数in clf.coef_以某种方式在折叠中平均.

我想这是一个重复的问题,但对于我的生活,我无法在网上,sklearn文档或LogisticRegressionCV的源代码中找到简单的答案.我找到的一些相关帖子是:

1. GridSearchCV最终模型
2. scikit-learn LogisticRegressionCV:最佳系数
3. 在sklearn中使用交叉验证和AUC-ROC作为逻辑回归模型
4. 使用交叉验证评估Logistic回归