机器学习实战代码3-5
2018-02-02 15:11
106 查看
**使用文本注解绘制树节点
# -*- coding: cp936 -*- #利用matplotlib的注解(注释)来绘制决策树(奇葩不) import matplotlib.pyplot as plt #引入中文字体 from pylab import * mpl.rcParams['font.sans-serif'] = ['SimHei'] #定义文本框和箭头格式 decisionNode = dict(boxstyle="sawtooth", fc="0.8")#决策节点的属性。boxstyle:文本框类型;sawtooth是锯齿形 leafNode = dict(boxstyle="round4", fc="0.8")#叶子节点的属性,参数用法同上 arrow_args = dict(arrowstyle="<-")#箭头属性 #绘制带箭头的注解,this is all the graph吧 #nodeTxt:要显示的文本 #centerPt:文本的中心点 #parentPt:箭头指向文本的点 #nodeType:属性 def plotNode(nodeTxt, centerPt, parentPt, nodeType): createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', va="center", ha="center", bbox=nodeType, arrowprops=arrow_args ) #说明:annotate是注释,其中,xy是箭头尖的坐标,xytext设置注释内容显示的中心位置, #xycoords和textcoords是坐标xy与xytext的说明(按轴坐标),若textcoords=None,则默认textcoords与xycoords相同,若都未设置,默认为data #va/ha设置节点框中文字的位置,va为纵向取值为(u'top', u'bottom', u'center', u'baseline'),ha为横向取值为(u'center', u'right', u'left') #第一个版本的创造绘制树 def createPlot(): fig = plt.figure(1, facecolor='white')#创建一个画布,背景为白色 fig.clf()#清空画布 # ax1是函数createPlot的一个属性,这个可以在函数里面定义也可以在函数定义后加入也可以 # frameon表示是否绘制坐标轴矩形 ,也就是外面的大框框 createPlot.ax1 = plt.subplot(111, frameon=False) #ticks for demo puropses plotNode(U'决策节点', (0.5, 0.1), (0.1, 0.5), decisionNode) plotNode(U'叶节点', (0.8, 0.1), (0.3, 0.8), leafNode) plt.show() ![这里写图片描述](http://img.blog.csdn.net/20180202151059249?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXFfMzg2NjkxMzg=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
相关文章推荐
- 读书笔记:机器学习实战(5)——章6的支持向量机代码和个人理解与注释
- 机器学习实战_初识朴素贝叶斯算法_理解其python代码(二)
- 代码注释:机器学习实战第2章 k-近邻算法
- 机器学习实战代码3-5
- 代码注释:机器学习实战第12章 使用FP-growth算法来高效发现频繁项集
- 机器学习实战 朴素贝叶斯原理及代码
- 代码注释:机器学习实战第6章 支持向量机
- 机器学习实战:python算法代码汇总
- 机器学习实战,第三章,临时代码
- 机器学习实战书191代码勘误
- 代码注释:机器学习实战第4章 基于概率论的分类方法:朴素贝叶斯
- 机器学习实战代码3-4
- 代码注释:机器学习实战第10章 利用K-均值聚类算法对未标注数据分组
- 在看完机器学习实战第一章及敲完代码的总结
- 机器学习实战第二章代码清单2-3注释
- 机器学习实战代码详解(八)预测数值型数据:回归
- 机器学习实战笔记_09_树回归_代码错误修正
- 读书笔记:机器学习实战(4)——章五的逻辑回归代码和个人理解
- 机器学习实战代码详解(12)使用FP-growth算法来高效发现频繁集
- 机器学习实战代码 第三章3-1注释