Seabornを使って分類を可視化してみた

はじめに

初めての投稿。下記の内容を参考にJupyter Notebookで可視化をしてみた。訓練データで分類したものがテストデータにどのくらい合致しているか目で見れるようにした。

##環境
Windows10
Python 3.8.5

準備

#ライブラリインポート
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.colors import ListedColormap
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer
from sklearn.svm import LinearSVC

##データセットの用意
data = load_breast_cancer()
df = pd.DataFrame(data.data, columns = data.feature_names)
df.head()

Dataframeの表示。今回グラフ描写には1番目と2番目の要素を使う。

分類の可視化

#データの設定
X = data.data[:,:2]
y = data.target

# ランダムにトレーニングデータとテストデータとに分割
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.25,random_state=5)

# マップの色(青と赤で指定)
cmap_light = ListedColormap(['b', 'r'])
cmap_bold = ['b', 'r',]

#モデル化
svc = LinearSVC()
clf = svc
clf.fit(x_train, y_train) #訓練データを使って区分化
 
# メッシュサイズ
h = .02 

# プロットの境界を決める
# point in the mesh [x_min, x_max]x[y_min, y_max].
x_min, x_max = x_train[:, 0].min() - 1, x_train[:, 0].max() + 1
y_min, y_max = x_train[:, 1].min() - 1, x_train[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                         np.arange(y_min, y_max, h))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

# 実際にプロットし、どのように分類されるか定義
Z = Z.reshape(xx.shape)
plt.figure(figsize=(7, 5))
plt.contourf(xx, yy, Z, cmap=cmap_light,alpha=0.5)

# 描画
sns.scatterplot(data=data, x=x_train[:, 0], y=x_train[:, 1],hue=y_train,
                    palette=cmap_bold, alpha=0.8, edgecolor="black",marker='o',s=50) #訓練データ
sns.scatterplot(x=x_test[:, 0], y=x_test[:, 1],
                    palette=cmap_bold, alpha=0.8, edgecolor='yellow',linewidth=1,marker='*',s=250,legend=False) #テストデータ
plt.legend(bbox_to_anchor=(1.2,1),loc='upper right',borderaxespad=0) #凡例をグラフの欄外に出す
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xlabel('mean radius')
plt.ylabel('mean texture')

plt.show()

黒の枠線で囲われたのが訓練データ、黄色の枠線で囲われたのがテストデータ。