wave数据集的回归曲线
import matplotlib.pyplot as pltimport mglearnfrom scipy import sparseimport numpy as npimport matplotlib as mtimport pandas as pdfrom IPython.display import displayfrom sklearn.datasets import load_irisimport sklearn as skfrom sklearn.model_selection import train_test_splitfrom sklearn.neighbors import KNeighborsClassifierX,y = mglearn.datasets.make_forge()print(X)print(y)mglearn.discrete_scatter(X[:,0],X[:,1],y)plt.legend("c1 0","c2 1",loc=4)plt.xlabel("first feature")plt.ylabel("second feature")plt.show()X,y = mglearn.datasets.make_wave(n_samples=40)print(X)print(y)plt.plot(X,y,'o')plt.show()输出：
[[ 9.96346605 4.59676542] [11.0329545 -0.16816717] [11.54155807 5.21116083] [ 8.69289001 1.54322016] [ 8.1062269 4.28695977] [ 8.30988863 4.80623966] [11.93027136 4.64866327] [ 9.67284681 -0.20283165] [ 8.34810316 5.13415623] [ 8.67494727 4.47573059] [ 9.17748385 5.09283177] [10.24028948 2.45544401] [ 8.68937095 1.48709629] [ 8.92229526 -0.63993225] [ 9.49123469 4.33224792] [ 9.25694192 5.13284858] [ 7.99815287 4.8525051 ] [ 8.18378052 1.29564214] [ 8.7337095 2.49162431] [ 9.32298256 5.09840649] [10.06393839 0.99078055] [ 9.50048972 -0.26430318] [ 8.34468785 1.63824349] [ 9.50169345 1.93824624] [ 9.15072323 5.49832246] [11.563957 1.3389402 ]] [1 0 1 0 0 1 1 0 1 1 1 1 0 0 1 1 1 0 0 1 0 0 0 0 1 0] [[-0.75275929] [ 2.70428584] [ 1.39196365] [ 0.59195091] [-2.06388816] [-2.06403288] [-2.65149833] [ 2.19705687] [ 0.60669007] [ 1.24843547] [-2.87649303] [ 2.81945911] [ 1.99465584] [-1.72596534] [-1.9090502 ] [-1.89957294] [-1.17454654] [ 0.14853859] [-0.40832989] [-1.25262516] [ 0.67111737] [-2.16303684] [-1.24713211] [-0.80182894] [-0.26358009] [ 1.71105577] [-1.80195731] [ 0.08540663] [ 0.55448741] [-2.72129752] [ 0.64526911] [-1.97685526] [-2.60969044] [ 2.69331322] [ 2.7937922 ] [ 1.85038409] [-1.17231738] [-2.41396732] [ 1.10539816] [-0.35908504]] [-0.44822073 0.33122576 0.77932073 0.03497884 -1.38773632 -2.47196233 -1.52730805 1.49417157 1.00032374 0.22956153 -1.05979555 0.7789638 0.75418806 -1.51369739 -1.67303415 -0.90496988 0.08448544 -0.52734666 -0.54114599 -0.3409073 0.21778193 -1.12469096 0.37299129 0.09756349 -0.98618122 0.96695428 -1.13455014 0.69798591 0.43655826 -0.95652133 0.03527881 -2.08581717 -0.47411033 1.53708251 0.86893293 1.87664889 0.0945257 -1.41502356 0.25438895 0.09398858]
绘制线条或标记的轴。参数是一个可变长度参数，允许多个X、Y对可选的格式字符串。
例如，下面的每一个都是合法的：
plot(x, y) #plot x, y使用默认的线条样式和颜色
plot(x, y, 'bo') #plot x,y用蓝色圆圈标记
plot(y) #plot y用x作为自变量
plot(y, 'r+') #同上，但是是用红色作为标记
如果x或y是2维的，那么相应的列将被绘制。
x、y的任意数，格式可以如下：
a.plot(x1, y1, 'g^', x2, y2, 'g-')
默认情况下，每个行被指定一个由“颜色周期”指定的不同颜色。要改变这种行为，可以编辑axes.color_cycle中的rcparam。
下面的字符用来描述绘制的图形：
字符
描述
'-'
实线
'--'
虚线
'-.'
点线
':'
点虚线
'.'
点
','
像素
'o'
圆形
'v'
朝下的三角形
'^'
朝上的三角形
'<'
朝左的三角形
'>'
朝右的三角形
'1'
tri_down marker
'2'
tri_up marker
'3'
tri_left marker
'4'
tri_right marker
's'
正方形
'p'
五角形
'*'
星型
'h'
1号六角形
'H'
2号六角形
'+'
+号标记
'x'
x号标记
'D'
钻石形
'd'
小版钻石形
'|'
垂直线形
'_'
水平线行
颜色用以下字符表示:
字符
颜色
‘b’
蓝色
‘g’
绿色
‘r’
红色
‘c’
青色
‘m’
品红
‘y’
黄色
‘k’
黑色
‘w’
白色
此外，你可以在很多古怪的方式和精彩的指定颜色，包括完整的名称（绿色的），十六进制字符串（“# 008000”）、RGB、RGBA元组（（0,1,0,1））或灰度强度作为一个字符串（‘0.8’）。这些字符串的规格可用于格式化，但以元组的形式只能用作**kwargs。
线条样式和颜色组合在一个单一的格式字符串中，如在’bo’为蓝色圆圈。
