Meta tags:
description= Streudiagramme in Python mit Matplotlib und Seaborn erstellen und lesen. Themen: Korrelation, Farbkodierung, Regressionslinien und ML-Anwendungen.;
Headings (most frequently used words):
mit, streudiagramm, streudiagramme, seaborn, in, matplotlib, erstellen, gruppen, einfaches, dritte, variable, kodieren, visualisieren, python, verstehen, was, ein, zeigt, mehrere, darstellen, im, machine, learning, einer, datei, speichern, wann, welche, bibliothek, verwenden, häufige, fehlerquellen, verwandte, kapitel, das, muster, lesen, beispiel, markerfarbe, und, größe, anpassen, farbe, blasengröße, hue, farblich, codieren, regressionslinie, sns, regplot, hinzufügen, lineare, zusammenhänge, vor, der, regression, prüfen, cluster, nach, means, vorhersagen, eines, regressionsmodells, auswerten, dimensionsreduktion, pca, sne,
Text of the page (most frequently used words):
plt (114), python (60), matplotlib (46), die (34), import (34), rng (33), scatter (31), sie (29), mit (24), und (23), #seaborn (18), von (18), kopieren (18), show (17), pyplot (17), der (16), random (16), lernen (15), ein (15), numpy (15), streudiagramm (14), tight_layout (14), title (14), normal (14), mysql (13), einer (12), data (12), alpha (12), for (12), ylabel (12), xlabel (12), size (12), mongodb (12), streudiagramme (11), erstellen (11), regression (11), eine (11), seed (11), default_rng (11), sns (11), variable (10), oder (10), nach (10), sind (10), group (10), hours (10), für (9), label (9), scale (9), score (9), das (8), plot (8), pandas (8), actual (8), listen (8), html (7), was (7), daten (7), wenn (7), array (7), nicht (7), hue (7), punkt (7), punkte (7), predicted (7), string (7), korrelation (7), strings (7), elemente (7), verwenden (6), gruppen (6), lineare (6), means (6), auf (6), einen (6), jeder (6), ist (6), dass (6), scatterplot (6), cluster (6), farbe (6), labels (6), color (6), variablen (6), w3docs (5), tools (5), kapitel (5), machine (5), learning (5), zeigt (5), dem (5), übergeben (5), wie (5), lim (5), dataframe (5), entfernen (5), hinzufügen (5), virginica (5), studied (5), exam (5), gdp (5), temperature (5), tutorial (5), tuples (5), methoden (5), formatter (5), alle (4), json (4), code (4), generator (4), mehrere (4), vor (4), plots (4), visualisieren (4), hinzu (4), grafik (4), automatisch (4), parameter (4), lesen (4), regplot (4), aufruf (4), sich (4), klassen (4), pca (4), legend (4), simulate (4), zwei (4), linewidths (4), edgecolors (4), uniform (4), eines (4), name (4), loc (4), population (4), dateien (4), erste (4), schritte (4), dictionaries (4), set (4), listenelemente (4), durchlaufen (4), über (3), encoder (3), editor (3), quizze (3), übungen (3), php (3), javascript (3), css (3), welche (3), line (3), clustering (3), lineares (3), modell (3), anpassen (3), linear (3), können (3), colorbar (3), bei (3), einem (3), zwischen (3), sowie (3), regressionslinie (3), savefig (3), spread (3), class (3), three (3), model (3), values (3), max (3), min (3), and (3), werte (3), colors (3), mask (3), range (3), tab (3), enumerate (3), linie (3), house_size (3), style (3), rows (3), standard (3), jedem (3), legende (3), farben (3), versicolor (3), pip (3), life_exp (3), dritten (3), punktwolke (3), muster (3), keine (3), sets (3), zugreifen (3), italiano (2), português (2), español (2), français (2), русский (2), deutsch (2), english (2), beautifier (2), diff (2), password (2), java (2), git (2), bücher (2), snippets (2), web (2), verwandte (2), häufige (2), fehlerquellen (2), wann (2), bibliothek (2), datei (2), speichern (2), darstellen (2), this (2), page (2), normalverteilung (2), training (2), aufteilen (2), train (2), test (2), form (2), verstehen (2), streudiagrammen (2), interpretieren (2), annotationen (2), blasendiagramme (2), vergleich (2), fügen (2), leser (2), farbskala (2), punkten (2), aus (2), dies (2), machen (2), löscht (2), ausschnitte (2), ausführen (2), erstellt (2), skript (2), rufen (2), stellen (2), definiert (2), bevor (2), aufrufen (2), gewünscht (2), automatische (2), gruppierung (2), spalte (2), pro (2), dataframes (2), arrays (2), png (2), dpi (2), 300 (2), best (2), reduktion (2), klar (2), nahe (2), durch (2), merkmale (2), class_data (2), items (2), sne (2), beobachtung (2), bedeuten (2), des (2), modells (2), the (2), black (2), with (2), from (2), bestätigen (2), algorithmus (2), assignments (2), feature (2), extend (2), zip (2), centers (2), jeden (2), anhand (2), kurve (2), house (2), price (2), eur (2), house_price (2), workflows (2), weist (2), gruppe (2), clusters (2), unterscheiden (2), matplotlibs (2), groups (2), sepal (2), length (2), species (2), sepal_width (2), sepal_length (2), setosa (2), andere (2), fügt (2), einfaches (2), install (2), installieren (2), funktionen (2), farbkodierung (2), life (2), expectancy (2), years (2), trillion (2), usd (2), countries (2), sizes (2), marker (2), man (2), dritte (2), kodieren (2), coolwarm (2), damit (2), zusammen (2), einzelne (2), white (2), transparenz (2), bis (2), hex (2), größe (2), positive (2), beispiel (2), dieses (2), perfekt (2), wert (2), den (2), zunimmt (2), tendenziell (2), links (2), rechts (2), achse (2), handling (2), zahlen (2), limit (2), update (2), drop (2), collection (2), delete (2), insert (2), datenbank (2), grid (2), einführung (2), schleifen (2), verbinden (2), ändern (2), hash (2), 2026, rechte, vorbehalten, entwickler, gemacht, sprache, datenschutzrichtlinie, kontakt, uns, unternehmen, probier, üben, kostenlose, tutorials, beispiele, seit, 2014, next, previous, yes, helpful, auswertung, modellen, split, trends, kontinuierliche, geordnete, verteilung, einzelnen, histograms, ihrer, modellierung, distribution, vollständige, referenz, logarithmische, achsen, randfarben, immer, ohne, diese, fehlende, vielen, übereinanderliegenden, sieht, diagramm, ausgefüllter, klecks, beheben, dichte, sichtbar, wechseln, histogramm, binning, hexbin, überlagerung, jupyter, notebook, jede, zelle, neue, einfachen, neuen, starten, separate, diagramme, möchten, figure, geleert, ausschnitt, diesem, eigenständig, kombinieren, sicher, selben, vollständigen, einblick, einschließlich, logarithmischer, skalen, markerformen, dann, fig, subplots, tiefgehende, anpassung, eingebaute, farb, größenkodierung, benötigt, arbeiten, schnelles, einzel, empfohlenes, werkzeug, situation, druckqualitätssichere, bilder, vector, publications, pdf, raster, good, 150, zuerst, trennen, legen, ursprünglichen, tatsächlich, unterscheidbar, projection, visualization, high, dimensional, output, classes, hochdimensionaler, dimensionen, natürliche, darstellungsform, gibt, dimensionsreduktion, zufällig, diagonale, gestreut, kein, systematischer, bogen, fächerform, fehler, unverzerrt, evaluation, ylim, xlim, perfect, prediction, linewidth, draw, ideal, some, noise, 100, trained, dar, perfektes, ergibt, entlang, diagonalen, tatsächlichen, versus, vorhergesagten, vorhersagen, regressionsmodells, auswerten, getrennte, wolken, bedeutungsvolle, gruppierungen, gefunden, hat, green, orange, blue, seines, einfärben, trennung, statt, möglicherweise, polynomielle, anderes, erforderlich, pattern, suggests, 40000, 2000, square, metres, trainieren, sollten, eingabemerkmale, gegen, zielvariable, plotten, annähernd, streumuster, deutet, darauf, hin, geeignet, regressionsmodell, zusammenhänge, prüfen, dienen, nur, erkundung, teil, zentralen, zusätzlich, zur, eigene, markerform, lesern, hilft, schwarzweiß, drucken, multi, append, optional, wählt, nächste, farbzyklus, distinct, einmal, setzen, schattierte, bereich, konfidenzintervall, lässt, none, red, line_kws, scatter_kws, linspace, kombiniert, angepassten, konfidenzband, entspricht, mehrfachen, verschiedenen, iris, width, kategorie, farblich, codieren, zunächst, seaborns, arbeitet, direkt, bietet, kategorischen, eingebauten, bubble, fontsize, xytext, offset, points, textcoords, annotate, visible, area, millions, encoded, 125, 1412, 334, germany, japan, china, usa, fläche, jedes, markers, proportional, nennt, blasendiagramm, blasengröße, perceptuell, gleichmäßige, colormaps, anstelle, wahrnehmung, verzerren, farbenblindfreundlich, rainbow, jet, cividis, plasma, viridis, sensor, readings, latitude, longitude, cmap, third, numerischen, einzufärben, wissen, dünnen, weißen, rahmen, sodass, überlappung, leichter, customized, steelblue, unsichtbar, vollständig, opak, überlappende, empfehlen, markergröße, quadratpunkten, skalar, farbname, werten, colormap, abgebildet, drei, nützlichsten, markerfarbe, anstieg, entstehenden, mehr, lernstunden, höheren, prüfungsergebnissen, korrelieren, flexibelste, option, falls, noch, geschehen, fasst, als, zahl, negativ, positiv, bedeutet, beziehung, ermöglichen, vermitteln, kann, zum, datensätze, denselben, teilen, dabei, völlig, unterschiedliche, formen, haben, siehe, anscombe, quartett, sehen, pearson, korrelationskoeffizient, ausreißer, lohnt, untersuchen, weit, hauptwolke, entfernt, schwache, breite, diffuse, wolke, starke, enge, schmale, bahn, erkennbare, negative, sinkt, fallen, steigt, auch, steigen, bedeutung, repräsentiert, horizontale, trägt, vertikale, gesamtform, verrät, beiden, typische, anwendungsfälle, regressions, trendlinie, darstellung, mehrerer, kodierung, größen, zeigen, liest, behandelt, setzt, paar, datensatzes, entstehende, numerische, miteinander, zusammenhängen, stark, richtung, unverzichtbar, explorative, datenanalyse, themen, regressionslinien, anwendungen, http, anfragen, pytest, pakete, virtuelle, umgebungen, tooling, practices, threading, asyncio, concurrency, csv, sys, itertools, collections, ausnahmen, auslösen, error, library, addieren, umkehren, duplikate, how, enums, abstrakte, kapselung, polymorphismus, dataclasses, static, classmethod, property, magic, methods, advanced, oop, match, anweisung, map, comprehensions, kontextmanager, rekursion, closures, generatoren, decorators, args, kwargs, type, hints, intermediate, sort, query, find, join, table, order, where, select, tabelle, einstieg, nearest, neighbors, auc, roc, cross, validation, bootstrap, aggregation, kategoriale, search, logistische, hierarchisches, konfusionsmatrix, entscheidungsbaum, skalierung, multiple, polynomiale, datenverteilung, perzentil, standardabweichung, mittelwert, median, modus, kreisdiagramme, histogramme, balken, subplot, beschriftungen, plotting, django, scipy, modules, löschen, schreiben, dateiverarbeitung, file, formatierung, benutzereingabe, try, except, regex, math, datumsangaben, module, scope, iteratoren, vererbung, objekte, lambda, while, else, tupeln, gruppieren, operatoren, booleans, casting, datentypen, kommentare, syntax, variablennamen, aktualisieren, tupel, entpacken, tuple, sortieren, slicen, home, ausgabevariablen, verschachtelte, modifizieren, list, comprehension, zusammenführen, globale, format, escape, zeichen, dictionary, verketten, zuweisen, anmelden, durchsuchen, formatters, url, reverse, sha256, md5, calculator, hsl, mixer, converter, picker, general, kurse, guide,
Text of the page (random words):
scape zeichen format strings globale variablen listen verbinden sets zusammenführen tuples verbinden list comprehension listen methoden dictionaries durchlaufen listen durchlaufen sets durchlaufen tuples durchlaufen strings modifizieren verschachtelte dictionaries ausgabevariablen python home python listen python sets python strings python tuples python variablen elemente entfernen listenelemente entfernen set elemente entfernen set methoden strings slicen listen sortieren string methoden tuple methoden tupel entpacken tuples aktualisieren variablennamen python einführung python erste schritte python syntax python kommentare python variablen python datentypen python zahlen python casting python strings python booleans python operatoren python listen python tupeln gruppieren python dictionaries python if else python while schleifen python for schleifen python funktionen python lambda python arrays python klassen objekte python vererbung python iteratoren python scope python module python datumsangaben python math python json python regex python pip python try except python benutzereingabe python string formatierung file handling python dateiverarbeitung python dateien lesen python dateien schreiben erstellen python dateien löschen python modules numpy tutorial pandas tutorial scipy tutorial django tutorial python matplotlib matplotlib einführung matplotlib erste schritte matplotlib pyplot matplotlib plotting matplotlib marker matplotlib linie matplotlib beschriftungen matplotlib grid matplotlib subplot matplotlib scatter matplotlib balken matplotlib histogramme matplotlib kreisdiagramme machine learning erste schritte mittelwert median modus standardabweichung perzentil datenverteilung normalverteilung von daten streudiagramm lineare regression polynomiale regression multiple regression skalierung train test entscheidungsbaum konfusionsmatrix hierarchisches clustering logistische regression grid search kategoriale daten k means bootstrap aggregation cross validation auc roc kurve k nearest neighbors python mysql mysql einstieg mysql datenbank erstellen mysql tabelle erstellen mysql insert mysql select mysql where mysql order by mysql delete mysql drop table mysql update mysql limit mysql join python mongodb mongodb erste schritte mongodb datenbank erstellen mongodb collection erstellen mongodb insert mongodb find mongodb query mongodb sort mongodb delete mongodb drop collection mongodb update mongodb limit intermediate python f strings type hints args kwargs decorators generatoren closures rekursion kontextmanager comprehensions enumerate zip map match anweisung advanced oop magic methods property static classmethod dataclasses polymorphismus kapselung abstrakte klassen enums python how to listen duplikate entfernen string umkehren zwei zahlen addieren error handling and the standard library ausnahmen auslösen collections itertools os sys random csv dateien concurrency in python asyncio threading python tooling and best practices virtuelle umgebungen pakete pytest http anfragen streudiagramme in python verstehen streudiagramme in python mit matplotlib und seaborn erstellen und lesen themen korrelation farbkodierung regressionslinien und ml anwendungen ein streudiagramm setzt an jedem x y paar eines datensatzes einen punkt die entstehende punktwolke zeigt ob zwei numerische variablen miteinander zusammenhängen wie stark und in welche richtung damit sind streudiagramme unverzichtbar für die explorative datenanalyse und machine learning workflows dieses kapitel behandelt was streudiagramme zeigen und wie man sie liest erstellen von streudiagrammen mit matplotlib und seaborn anpassen von farben größen und transparenz kodierung einer dritten variable durch farbe oder größe blasendiagramme darstellung mehrerer gruppen mit einer legende hinzufügen einer regressions trendlinie typische anwendungsfälle im machine learning was ein streudiagramm zeigt jeder punkt repräsentiert eine beobachtung die horizontale achse trägt eine variable die vertikale achse eine andere die gesamtform der punktwolke verrät die korrelation zwischen den beiden variablen das muster lesen muster bedeutung punkte steigen von links nach rechts positive korrelation wenn x zunimmt steigt tendenziell auch y punkte fallen von links nach rechts negative korrelation wenn x zunimmt sinkt tendenziell y keine erkennbare form keine lineare korrelation zwischen den variablen enge schmale bahn starke korrelation breite diffuse wolke schwache korrelation punkte weit von der hauptwolke entfernt ausreißer lohnt sich zu untersuchen der pearson korrelationskoeffizient r fasst dieses muster als einzelne zahl von 1 perfekt negativ bis 1 perfekt positiv zusammen ein wert nahe 0 bedeutet keine lineare beziehung streudiagramme ermöglichen es das zu sehen was r nicht vermitteln kann zum beispiel können zwei datensätze denselben r wert teilen und dabei völlig unterschiedliche formen haben siehe anscombe s quartett streudiagramm mit matplotlib erstellen matplotlibs plt scatter ist die flexibelste option installieren sie matplotlib falls noch nicht geschehen pip install matplotlib numpy kopieren einfaches beispiel import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 42 simulate hours studied vs exam score hours rng uniform 1 10 40 score 5 hours rng normal scale 8 size 40 plt scatter hours score plt xlabel hours studied plt ylabel exam score plt title hours studied vs exam score plt tight_layout plt show kopieren der positive anstieg in der entstehenden punktwolke zeigt dass mehr lernstunden mit höheren prüfungsergebnissen korrelieren markerfarbe und größe anpassen die drei nützlichsten parameter für plt scatter sind c farbname hex string oder array von werten über eine colormap abgebildet s markergröße in quadratpunkten standard 20 skalar oder array übergeben alpha transparenz von 0 unsichtbar bis 1 vollständig opak für überlappende punkte empfehlen sich werte von 0 4 0 7 import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 7 x rng normal loc 5 scale 2 size 60 y rng normal loc 5 scale 2 size 60 plt scatter x y c steelblue s 80 alpha 0 6 edgecolors white linewidths 0 5 plt xlabel x plt ylabel y plt title customized scatter plot plt tight_layout plt show kopieren edgecolors white zusammen mit linewidths 0 5 fügt jedem punkt einen dünnen weißen rahmen hinzu sodass einzelne punkte bei überlappung leichter zu unterscheiden sind dritte variable mit farbe kodieren übergeben sie ein array an c um jeden punkt anhand einer dritten numerischen variable einzufärben fügen sie plt colorbar hinzu damit leser wissen was die farben bedeuten import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 3 x rng random 50 y rng random 50 temperature rng uniform 15 35 50 third variable e g temperature in c scatter plt scatter x y c temperature cmap coolwarm s 80 alpha 0 8 plt colorbar scatter label temperature c plt xlabel longitude plt ylabel latitude plt title sensor readings by temperature plt tight_layout plt show kopieren verwenden sie perceptuell gleichmäßige colormaps viridis plasma cividis oder coolwarm anstelle von jet oder rainbow die die wahrnehmung verzerren und nicht farbenblindfreundlich sind dritte variable mit blasengröße kodieren übergeben sie ein array an s um die fläche jedes markers proportional zu einer dritten variable zu machen das nennt man blasendiagramm import matplotlib pyplot as plt import numpy as np countries usa china japan germany uk gdp 25 5 18 0 4 2 4 1 3 1 trillion usd life_exp 76 4 77 1 84 3 80 6 81 3 years population 334 1412 125 84 67 millions encoded as size scale population to a visible marker area range sizes p 1 5 for p in population plt scatter gdp life_exp s sizes alpha 0 6 edgecolors black linewidths 0 8 for i name in enumerate countries plt annotate name gdp i life_exp i textcoords offset points xytext 6 4 fontsize 9 plt xlabel gdp trillion usd plt ylabel life expectancy years plt title gdp vs life expectancy bubble size population plt tight_layout plt show kopieren streudiagramm mit seaborn erstellen seaborns sns scatterplot arbeitet direkt mit pandas dataframes und bietet funktionen wie automatische gruppierung nach einer kategorischen spalte sowie einen eingebauten hue parameter für die farbkodierung installieren sie zunächst seaborn pip install seaborn pandas kopieren einfaches seaborn streudiagramm import seaborn as sns import pandas as pd import matplotlib pyplot as plt data pd dataframe hours 1 2 3 4 5 6 7 8 9 10 score 45 50 55 60 65 70 72 80 85 92 sns scatterplot data data x hours y score plt xlabel hours studied plt ylabel exam score plt title hours studied vs exam score plt tight_layout plt show kopieren gruppen mit hue farblich codieren der parameter hue weist jeder kategorie automatisch eine andere farbe zu und fügt eine legende hinzu import seaborn as sns import pandas as pd import matplotlib pyplot as plt data pd dataframe sepal_length 5 1 4 9 6 3 5 8 7 0 6 4 6 3 5 8 7 1 6 3 sepal_width 3 5 3 0 2 9 2 7 3 2 3 2 3 3 2 7 3 0 2 9 species setosa setosa versicolor versicolor virginica virginica virginica versicolor virginica virginica sns scatterplot data data x sepal_length y sepal_width hue species plt title iris sepal length vs sepal width plt tight_layout plt show kopieren seaborn erstellt die legende automatisch dies entspricht dem mehrfachen aufruf von plt scatter mit verschiedenen farben regressionslinie mit sns regplot hinzufügen sns regplot kombiniert ein streudiagramm mit einer angepassten regressionslinie und einem konfidenzband import seaborn as sns import pandas as pd import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 10 x np linspace 1 10 30 y 3 x rng normal scale 4 size 30 data pd dataframe x x y y sns regplot data data x x y y scatter_kws alpha 0 6 line_kws color red plt xlabel x plt ylabel y plt title scatter plot with regression line plt tight_layout plt show kopieren der schattierte bereich um die linie ist ein 95 konfidenzintervall mit ci none lässt er sich entfernen mehrere gruppen darstellen mit matplotlib rufen sie plt scatter einmal pro gruppe auf und setzen sie bei jedem aufruf label import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 0 groups group a 2 3 group b 6 6 group c 9 2 for name cx cy in groups items x rng normal loc cx scale 0 6 size 30 y rng normal loc cy scale 0 6 size 30 plt scatter x y s 50 alpha 0 7 label name plt legend plt xlabel x plt ylabel y plt title three distinct clusters plt tight_layout plt show kopieren jeder scatter aufruf wählt automatisch die nächste farbe aus matplotlibs standard farbzyklus mit seaborn übergeben sie einen dataframe und verwenden sie hue sowie optional style um gruppen zu unterscheiden import seaborn as sns import pandas as pd import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 1 rows for group cx cy in a 2 3 b 6 6 c 9 2 for _ in range 25 rows append x rng normal cx 0 6 y rng normal cy 0 6 group group df pd dataframe rows sns scatterplot data df x x y y hue group style group plt title three clusters seaborn multi group plt tight_layout plt show kopieren style group weist jeder gruppe zusätzlich zur farbe eine eigene markerform zu was lesern hilft die in schwarzweiß drucken streudiagramme im machine learning streudiagramme dienen nicht nur der erkundung sie sind teil des zentralen ml workflows 1 lineare zusammenhänge vor der regression prüfen bevor sie ein lineares regressionsmodell trainieren sollten sie eingabemerkmale gegen die zielvariable plotten ein annähernd lineares streumuster deutet darauf hin dass lineare regression geeignet ist import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 5 house_size rng uniform 50 300 60 square metres house_price 2000 house_size rng normal scale 40000 size 60 eur plt scatter house_size house_price alpha 0 6 s 50 plt xlabel house size m² plt ylabel price eur plt title house size vs price linear pattern suggests linear regression plt tight_layout plt show kopieren wenn das streudiagramm eine kurve statt einer linie zeigt sind möglicherweise polynomielle merkmale oder ein anderes modell erforderlich 2 cluster nach k means visualisieren nach dem ausführen eines clustering algorithmus wie k means können sie jeden punkt anhand seines cluster labels einfärben um die trennung zu bestätigen import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 8 simulate cluster assignments from k means centers 1 1 5 5 9 1 x labels for i cx cy in enumerate centers x extend zip rng normal cx 0 7 30 rng normal cy 0 7 30 labels extend i 30 x np array x labels np array labels colors tab blue tab orange tab green for k in range 3 mask labels k plt scatter x mask 0 x mask 1 c colors k s 50 alpha 0 7 label f cluster k plt legend plt xlabel feature 1 plt ylabel feature 2 plt title k means cluster assignments plt tight_layout plt show kopieren klar getrennte wolken bestätigen dass der algorithmus bedeutungsvolle gruppierungen gefunden hat 3 vorhersagen eines regressionsmodells auswerten stellen sie nach dem training eines modells die tatsächlichen versus vorhergesagten werte dar ein perfektes modell ergibt punkte entlang der diagonalen y x import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 2 simulate actual and predicted values from a trained model actual rng uniform 10 100 50 predicted actual rng normal scale 8 size 50 model with some noise plt scatter actual predicted alpha 0 6 s 60 edgecolors black linewidths 0 5 draw the ideal y x line lim min actual min predicted min 5 max actual max predicted max 5 plt plot lim lim r linewidth 1 5 label perfect prediction plt xlim lim plt ylim lim plt xlabel actual values plt ylabel predicted values plt title actual vs predicted regression model evaluation plt legend plt tight_layout plt show kopieren punkte die zufällig um die diagonale gestreut sind kein systematischer bogen oder fächerform bedeuten dass die fehler des modells unverzerrt sind 4 dimensionsreduktion visualisieren pca t sne nach der reduktion hochdimensionaler daten auf zwei dimensionen mit pca oder t sne ist ein streudiagramm die natürliche darstellungsform jeder punkt ist eine beobachtung die farbe gibt das klassen label an import matplotlib pyplot as plt import numpy as np rng np random default_rng seed 20 simulate 2 d pca output for three classes class_data class 0 3 0 0 8 class 1 0 3 0 8 class 2 3 0 0 8 for label cx cy spread in class_data items x rng normal cx spread 40 y rng normal cy spread 40 plt scatter x y s 30 alpha 0 7 label label plt legend plt xlabel pc 1 plt ylabel pc 2 plt title pca projection 2d visualization of high dimensional data plt tight_layout plt show kopieren cluster die sich nach der reduktion klar trennen legen nahe dass die klassen durch die ursprünglichen merkmale tatsächlich unterscheidbar sind streudiagramme in einer datei speichern verwenden sie plt savefig vor plt show der aufru...
|
