మెకానిక్స్లు - స్క్యాట్ చార్ట్
స్పర్శక చిత్రం (Scatter Plot)
స్పర్శక చిత్రం అనేది డేటా సెట్లో ప్రతి విలువను ఒక బంతి ద్వారా ప్రతినిధీకరించే చిత్రం.
Matplotlib మాడ్యూల్ స్పర్శక చిత్రం దృశ్యం వ్రాయడానికి ఒక మార్గం ఉంది, ఇది రెండు సమాన పొడవు కలిగిన అంశాలను అవసరం ఉంటుంది: ఒక అంశం x అక్షం విలువలకు, మరొక అంశం y అక్షం విలువలకు.
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]
x అంశం ప్రతి వాహనం వయస్సును ప్రతినిధీకరిస్తుంది.
y అంశం ప్రతి వాహనం వేగాన్ని సూచిస్తుంది.
实例
ఉపయోగించండి: scatter() స్పర్శక చిత్రం దృశ్యం వ్రాయడానికి మార్గం:
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：
散点图解释
x అక్షం వాహనం వయస్సును సూచిస్తుంది, y అక్షం వేగాన్ని సూచిస్తుంది.
చిత్రం నుండి చూసినప్పుడు, అత్యంత వేగవంతమైన రెండు వాహనాలు 2 సంవత్సరాలు వాడినవి, అత్యంత నిరక్షరమైన వాహనం 12 సంవత్సరాలు వాడింది.
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：
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。
