جميع السمات دفعة واحدة

جزء من قسم الإحصاء لتعلّم الآلة في رحلة Machine Learning على Coddy. الدرس 57 من 64.

ثلاثون خاصية تحتاج إلى ثلاثين مخططًا تكراريًا. يسهل قراءتها عندما تُعرض في شبكة واحدة من المخططات الصغيرة، مثل خصائص السوسن الأربع هذه:

أربعة مخططات تكرارية صغيرة في شبكة من صفين وعمودين، واحد لكل خاصية من خصائص السوسن: يظهر مخططا الكأسين نتوءًا واحدًا، بينما ينقسم كل من مخططي البتلتين إلى كتلة صغيرة على اليسار ونتوء عريض على اليمين

تملأ حلقة التكرار الشبكة، فيعرض المخطط i الميزة i:

names = iris.feature_names
fig, axs = plt.subplots(2, 2)
for i in range(4):
    ax = axs.flat[i]
    ax.hist(iris.frame[names[i]], bins=15)
    ax.set_title(names[i])
fig.tight_layout()
plt.show()

plt.subplots(2, 2) ينشئ جدولًا من المخططات، ويرتبها axs.flat صفًا تلو الآخر:

شبكة من صفين و3 أعمدة، خلاياها مرقمة من axs.flat 0 إلى 5 بدءًا بالصف 0 أولًا، ثم الصف 1، مع كتابة رقم الصف والعمود أسفل كل خلية

تُبقي fig.tight_layout() العناوين متباعدة. اقرأ الآن: ينقسم كلا المدرجين التكراريين للبتلات إلى قسمين. غالبًا ما تعني فجوة كهذه أن فئةً ما منفصلة، لذا احتفظ بهذه الميزة.

التحدي

متوسط

اعرض بيانات الأنسجة كاملة. يختار الإدخال مجموعة، mean أو error أو worst، ويضع البرنامج الابتدائي أسماء ميزاتها الستة الأولى في names.

أنشئ شبكة من صفين و3 أعمدة.
في المخطط i، ارسم مدرجًا تكراريًا للميزة i باستخدام 20 فئة، واجعل اسمها عنوانًا له.
نسّق التخطيط، ثم اعرضه.

مثل شبكة ميزات النبيذ الست هذه:

ستة مدرجات تكرارية صغيرة في صفين، في كل صف 3، بعناوين alcohol وmalic_acid وash وalcalinity_of_ash وmagnesium وtotal_phenols، ويحتوي كل منها على 20 عمودًا

لا يطبع برنامجك أي شيء: يصف Coddy كل مخطط.

جرّب بنفسك

import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer

group = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
# أسماء الخصائص الست الأولى للمجموعة: mean أو error أو worst
start = {"mean": 0, "error": 10, "worst": 20}[group]
names = cancer.feature_names[start:start + 6]

# اكتب شيفرتك أدناه