实时绘制 sklearn 训练操作

Question

假设我有一个sklearn训练数据：

features, labels = assign_dataSets() #assignment operation

这里的feature是一个二维数组，而label是一个由值组成的一维数组[0,1]

分类操作：

f1x = [features[i][0] for i in range(0, len(features)) if labels[i]==0]
f2x = [features[i][0] for i in range(0, len(features)) if labels[i]==1]
f1y = [features[i][1] for i in range(0, len(features)) if labels[i]==0]
f2y = [features[i][1] for i in range(0, len(features)) if labels[i]==1]

现在我绘制上述数据：

import matplotlib.pyplot as plt
plt.scatter(f1x,f1y,color='b')
plt.scatter(f2x,f2y,color='y')
plt.show()

现在我想使用分类器(例如 SVC)运行拟合操作。

from sklearn.svm import SVC
clf = SVC()
clf.fit(features, labels)

现在我的问题是，由于支持向量真的很慢，有没有办法实时监控分类器的决策边界(我的意思是当拟合操作发生时)？我知道我可以在拟合操作发生后绘制决策边界，但我希望实时绘制分类器。也许对线空间声明的点数组进行线程化和运行预测。fit 函数是否允许此类操作，或者我需要去其他库？

你知道，我是机器学习的新手。

Answer 1

scikit-learn具有此功能，但根据我的理解，它仅限于几个分类器(例如GradientBoostingClassifier，MPLClassifier)。要打开此功能，您需要设置verbose=True。例如：

clf = GradientBoostingClassifier(verbose=True)

我用SVC尝试了它，但没有按预期工作(可能是由于评论部分中提到的sascha的原因)。这是您在StackOverflow上的问题的不同变体。

关于第二个问题，如果您切换到Tensorflow(另一个机器学习库)，您可以使用tensorboard功能实时监控一些指标(例如误差衰减)。

但是，据我所知，SVM 实现在v1.5中仍处于实验阶段。 在使用基于神经网络的模型时，Tensorflow非常好。

如果您决定使用 DNN 进行Tensorflow分类，那么以下是关于 StackOverflow 实现的讨论： 没有简单的方法将张量板输出添加到预定义的估计器函数 DnnClassifier？

有用的参考资料：

Tensorflow SVM(目前仅线性支持 - v1.5)：https://www.tensorflow.org/api_docs/python/tf/contrib/learn/SVM

张量流核方法：https://www.tensorflow.org/versions/master/tutorials/kernel_methods

张量流张量板：https://www.tensorflow.org/programmers_guide/summaries_and_tensorboard

Tensorflow DNNClassifier Estimator： https://www.tensorflow.org/api_docs/python/tf/estimator/DNNClassifier