我正在尝试绘制我的SVM分类器结果。这个“小程序”展示在这里。对于绘图，我参考了这个scikit-learn的示例。我已经修改了代码，如下所示。嗯，我不知道我是否走在正确的道路上，因为我不明白当我将数据降维到2-D时，聚类中心（原始数据在100到300之间）是否也被降维了，或者当我试图将大“维度”压缩到2-D时会发生什么。也许有人能为我解释一下^^

#!/usr/bin/env pythonimport numpy as npimport pylab as plfrom matplotlib.colors import ListedColormapfrom sklearn.decomposition import PCAfrom sklearn.cluster import KMeansdef reduce_dim(datas):    pca = PCA(n_components=2)    pca.fit(datas)    data_pca = pca.transform(datas)    return data_pcadef plotter_plot(kmeans, clf, X, X_train, X_test, y_train, y_test):    names = ["RBF SVM"]    classifiers = []    classifiers.append(clf)    h = .01  # 网格步长    X_r = reduce_dim(X)    X_train_r = reduce_dim(X_train)    X_test_r = reduce_dim(X_test)    figure = pl.figure(figsize=(15, 5))    x_min, x_max = X_r[:, 0].min() - .5, X_r[:, 0].max() + .5    y_min, y_max = X_r[:, 1].min() - .5, X_r[:, 1].max() + .5    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min, y_max, h))    # 首先绘制数据集    cm = pl.cm.RdBu    cm_bright = ListedColormap(['#FF0000', '#0000FF'])    ax = pl.subplot(1, 2, 1)    # 绘制训练点    ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)    # 以及测试点    ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6)    ax.set_xlim(xx.min(), xx.max())    ax.set_ylim(yy.min(), yy.max())    ax.set_xticks(())    ax.set_yticks(())    i = 2    for name, clf in zip(names, classifiers):        ax = pl.subplot(1, 2, i)        clf.fit(X_train_r, y_train)        score = clf.score(X_test_r, y_test)        # 绘制决策边界。为此，我们将为网格中[x_min, m_max]x[y_min, y_max]的每个点分配一个颜色。        if hasattr(clf, "decision_function"):            Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])        else:            Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]        # 将结果放入颜色图中        Z = Z.reshape(xx.shape)        ax.contourf(xx, yy, Z, cmap=cm, alpha=.8)        # 绘制训练点        ax.scatter(X_train_r[:, 0], X_train_r[:, 1], c=y_train, cmap=cm_bright)        # 以及测试点        ax.scatter(X_test_r[:, 0], X_test_r[:, 1], c=y_test, cmap=cm_bright,              alpha=0.6)        ax.set_xlim(xx.min(), xx.max())        ax.set_ylim(yy.min(), yy.max())        ax.set_xticks(())        ax.set_yticks(())        ax.set_title(name)        ax.text(xx.max() - .3, yy.min() + .3, ('%.2f' % score).lstrip('0'),            size=15, horizontalalignment='right')        i += 1    figure.subplots_adjust(left=.02, right=.98)    pl.show()

这样做是否正确地再次拟合“降维数据”？它们已经被训练和分类过了！所以这里是否有错误，或者我应该再次拟合2-D数据？

谢谢…

回答：

简短回答：你想做的事情是不可能的。这个问题之前在SO上被问过几次了。

你无法在2D中绘制n维决策面。你可以做的只是在2D中绘制数据的投影，并根据它们的预测进行标记。

有一个图表与你想要的类似，在这个例子中。我是这个例子的作者，但我并不确定这个图表是否有任何实际意义。我从不使用这样的图表来检查我的分类器。