ການນຳເອົາການຮຽນສະແດງຄວາມການຮຽນສະແດງ

ສະແດງຕັດຕາວາງ (Scatter Plot)

ສະແດງຕັດຕາວາງ ແມ່ນສະແດງທີ່ທຸກຄວາມຂອງຂອງຂໍ້ມູນແມ່ນຕັດຕາວາງ.


Matplotlib ມີວິທີການສະແດງຕັດຕາວາງສະແດງສີນັນຊັງ ເຊິ່ງຕ້ອງການສະແດງສອງອັດຕາທີ່ຍາວດຽວກັນ: ໜຶ່ງອັດຕາສະແດງຄວາມສູງຂອງສະແດງຕັດຕາວາງ ແລະອັດຕາອີກອັດຕາສະແດງຄວາມຫຼາຍຂອງສະແດງຕັດຕາວາງ:

x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]

ສະແດງ x ສະແດງອາຍຸຂອງລົດຄັນທັງໝົດ。

ສະແດງ y ສະແດງຄວາມໄວຂອງລົດຄັນທັງໝົດ。

实例

ກະລຸນາໃຊ້: scatter() ວິທີການຂຽນສະແດງຕັດຕາວາງສະແດງສີນັນຊັງ:

import matplotlib.pyplot as plt
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
plt.scatter(x, y)
plt.show()

结果：


运行实例

散点图解释

x ສະແນນສະແຫວງອາຍຸລົດ ແລະ y ສະແນນສະແຫວງຄວາມໄວ。

ຈາກພາບໄດ້ເຫັນໄດ້ວ່າ ລົດຄັນທີ່ໄວທີ່ສຸດໄດ້ໃຊ້ 2 ປີ ແລະລົດຄັນທີ່ສວດຫຼາຍໄດ້ໃຊ້ 12 ປີ。

注释：汽车似乎越新，驾驶速度就越快，但这可能是一个巧合，毕竟我们只注册了 13 辆汽车。

随机数据分布

在机器学习中，数据集可以包含成千上万甚至数百万个值。

测试算法时，您可能没有真实的数据，您可能必须使用随机生成的值。

正如我们在上一章中学到的那样，NumPy 模块可以帮助我们！

让我们创建两个数组，它们都填充有来自正态数据分布的 1000 个随机数。

第一个数组的平均值设置为 5.0，标准差为 1.0。

第二个数组的平均值设置为 10.0，标准差为 2.0：

实例

有 1000 个点的散点图：

import numpy
import matplotlib.pyplot as plt
x = numpy.random.normal(5.0, 1.0, 1000)
y = numpy.random.normal(10.0, 2.0, 1000)
plt.scatter(x, y)
plt.show()

结果：


运行实例

散点图解释

我们可以看到，点集中在 x 轴上的值 5 和 y 轴上的 10 周围。

我们还可以看到，在 y 轴上扩散得比在 x 轴上更大。