Question

我正在比较自己的数据集中的多个分类器。绘图时出现错误：

KeyError跟踪（最近的呼叫   持续）   〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib \ colors.py   在to_rgba（c，alpha）中       173尝试：   -> 174 rgba = _colors_full_map.cache [c，alpha]       175除外（KeyError，TypeError）：＃不在缓存中，或不可哈希。

KeyError ：（“ myLabel”，无）

在处理上述异常期间，发生了另一个异常：

ValueError跟踪（最近的呼叫   持续）   〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib \ axes_axes.py   在散点图（自我，x，y，s，c，标记，cmap，范数，vmin，vmax，alpha，   线宽，verts，edgecolors，** kwargs）4231试试：＃   那么'c'是否可以用作PathCollection facecolors？   -> 4232色= mcolors.to_rgba_array（c）4233 n_elem = colors.shape [0]

〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib \ colors.py   在to_rgba_array（c，alpha）中       对于枚举（c）中的cc，为274：   -> 275结果[i] = to_rgba（cc，alpha）       276返回结果

〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib \ colors.py   在to_rgba（c，alpha）中       175除外（KeyError，TypeError）：＃不在缓存中，或不可哈希。   -> 176 rgba = _to_rgba_no_colorcycle（c，alpha）       177尝试：

〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib \ colors.py   在_to_rgba_no_colorcycle（c，alpha）中       219通过   -> 220引发ValueError（“无效的RGBA参数：{！r}”。format（orig_c））       221＃元组颜色。

ValueError：无效的RGBA参数：'myLabel'

在处理上述异常期间，发生了另一个异常：

ValueError跟踪（最近的呼叫   最后）        21＃绘制训练点        22 ax.scatter（X_train [:, 0]，X_train [:, 1]，c = y_train.ravel（），cmap = cm_bright，   ---> 23 edgecolors ='k'）        24        25

〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib__init __。py   在内部（ax，data，* args，** kwargs）1808
  “ Matplotlib列表！）”％（label_namer，函数名称），1809年
  RuntimeWarning，堆栈级别= 2）   -> 1810 return func（ax，* args，** kwargs）1811 1812内部。 doc = _add_data_doc（内部。 doc ，

〜\ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ matplotlib \ axes_axes.py   在散点图（自我，x，y，s，c，标记，cmap，范数，vmin，vmax，alpha，   线宽，顶点，边缘颜色，**扭曲）4251
  “或作为要映射到颜色的数字。” 4252
  “这里c = {}。” ＃<-当心，取决于c可能很长。   -> 4253 .format（c）4254）4255其他：

ValueError：“ c”参数必须作为mpl color（s）有效或作为   要映射到颜色的数字。这里c = ['myLabel''myLabel'   'myLabel'...'myLabel''myLabel''myLabel']。

这是我使用的代码（来自https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html）

y = labels
X = features

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=0)

h = .02  # step size in the mesh
names = ["RBF SVM", "Random Forest", "Neural Net",
         "Naive Bayes"]
classifiers = [

    SVC(gamma=2, C=1),

    RandomForestClassifier(max_depth=5, n_estimators=10, max_features=1),
    MLPClassifier(alpha=1),
    GaussianNB()
]

linearly_separable = (X, y)

datasets = [make_moons(noise=0.3, random_state=0),
            make_circles(noise=0.2, factor=0.5, random_state=1),
            linearly_separable
            ]

figure=plt.figure(figsize=[40,20])

i = 1
# iterate over datasets
for ds_cnt, ds in enumerate(datasets):
    # preprocess dataset, split into training and test part
    X, y = ds
    X = StandardScaler().fit_transform(X)
    X_train, X_test, y_train, y_test = \
        train_test_split(X, y, test_size=.4, random_state=42)

    x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
    y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                         np.arange(y_min, y_max, h))

    # just plot the dataset first
    cm = plt.cm.RdBu
    cm_bright = ListedColormap(['#FF0000', '#0000FF'])
    ax = plt.subplot(len(datasets), len(classifiers) + 1, i)
    if ds_cnt == 0:
        ax.set_title("Input data")
    # Plot the training points
    ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright,
               edgecolors='k')
    # Plot the testing points
    ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6,
               edgecolors='k')
    ax.set_xlim(xx.min(), xx.max())
    ax.set_ylim(yy.min(), yy.max())
    ax.set_xticks(())
    ax.set_yticks(())
    i += 1

    # iterate over classifiers
    for name, clf in zip(names, classifiers):
        ax = plt.subplot(len(datasets), len(classifiers) + 1, i)
        clf.fit(X_train, y_train)
        score = clf.score(X_test, y_test)

        # Plot the decision boundary. For that, we will assign a color to each
        # point in the mesh [x_min, x_max]x[y_min, y_max].
        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]

        # Put the result into a color plot
        Z = Z.reshape(xx.shape)
        ax.contourf(xx, yy, Z, cmap=cm, alpha=.8)

        # Plot the training points
        ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright,
                   edgecolors='k')
        # Plot the testing points
        ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright,
                   edgecolors='k', alpha=0.6)

        ax.set_xlim(xx.min(), xx.max())
        ax.set_ylim(yy.min(), yy.max())
        ax.set_xticks(())
        ax.set_yticks(())
        if ds_cnt == 0:
            ax.set_title(name)
        ax.text(xx.max() - .3, yy.min() + .3, ('%.2f' % score).lstrip('0'),
                size=15, horizontalalignment='right')
        i += 1

plt.tight_layout()
plt.show()

我也得到了图像1。

但是我希望像image2这样的东西：

创建图时如何解决关键错误？

0 个答案: