无法使用 geom_contour() 在 R 中绘制决策边界答案

【问题标题】：Unable to plot Decision Boundary in R with geom_contour()无法使用 geom_contour() 在 R 中绘制决策边界
【发布时间】：2023-04-10 04:23:01
【问题描述】：

我知道有几个类似的问题，但我仍在努力理解它背后的概念。

我根据 knn 预测类（“真”和“假”）：

hype_knn_prediction = knn(hype_quant_train[,2:3], hype_quant_test[,2:3], cl = hype_quant_train$Selected, k = k)

我还可以绘制测试数据：

ggplot(hype_quant_test, aes(x= Comments, y= Votings, color = Selected, shape = Selected)) + 
  geom_point(size = 3) +
  labs(y="Votes", x = "Comments")+
  ggtitle("Testdata")+
  theme(plot.title = element_text(hjust = 0.5))+
  theme(legend.position="bottom")

Plot of test data

现在我想将类的决策边界添加到测试数据的图中。因此，我将hype_knn_prediction 作为一列添加到hype_quant_test 数据框。但是当我将geom_contour(data=hype_quant_test, aes(x=Comments, y=Votings, z= as.numberic(Selected)), breaks=c(0,.5)) 添加到情节时，我收到以下消息： stat_contour() 计算失败：x 坐标数必须与密度矩阵中的列数匹配。

我该如何解决这个问题？我假设我必须转换一些数据，但不知道如何

编辑

训练数据：

   Selected  Votings          Comments
1      true  0.2348563517    0.162454874
2     false  0.0027691243    0.001805054
3     false  0.0136725511    0.027075812
4     false  0.1128418138    0.077617329
5     false  0.0529595016    0.016245487
6     false  0.0190377293    0.012635379
7     false  0.0231914157    0.001805054
8     false  0.3367947387    0.019855596
9     false  0.0036344756    0.005415162
10    false  0.0051921080    0.005415162
11    false  0.0202492212    0.014440433
12    false  0.0178262375    0.007220217
13    false  0.0029421945    0.010830325
14    false  0.0680166147    0.036101083
15    false  0.0053651783    0.003610108
16    false  0.2397023191    0.034296029
17    false  0.0001730703    0.000000000
18    false  0.0228452752    0.023465704
19    false  0.0129802700    0.000000000
20    false  0.0192107996    0.018050542
21    false  0.0010384216    0.000000000
22    false  0.0129802700    0.005415162
23    false  0.0000000000    0.000000000
24    false  0.0134994808    0.003610108
25    false  0.0742471443    0.039711191
26    false  0.0256143994    0.009025271
27    false  0.0039806161    0.001805054
28     true  0.4110418830    0.050541516
29    false  0.0114226376    0.063176895
30    false  0.0185185185    0.016245487
31    false  0.0051921080    0.003610108
32    false  0.1952232606    0.021660650
33    false  0.1138802354    0.012635379
34    false  0.0048459675    0.016245487
35    false  0.0242298373    0.009025271
36    false  0.0167878159    0.001805054
37    false  0.0039806161    0.001805054
38     true  0.7727587400    0.146209386
39    false  0.0154032537    0.000000000
40    false  0.0057113188    0.007220217
41    false  0.0038075459    0.000000000
42    false  0.0046728972    0.001805054
43    false  0.0152301835    0.003610108
44    false  0.0408445829    0.025270758
45    false  0.0131533403    0.007220217
46    false  0.0578054690    0.037906137
47    false  0.0046728972    0.005415162
48    false  0.0001730703    0.001805054
49    false  0.1169955002    0.122743682
50    false  0.0044998269    0.003610108
51    false  0.0000000000    0.000000000
52    false  0.1439944618    0.036101083
53    false  0.0072689512    0.005415162
54    false  0.0064035999    0.009025271
55    false  0.0614399446    0.027075812
56    false  0.0719972309    0.005415162
57     true  0.3418137764    0.018050542
58    false  0.0117687781    0.012635379
59    false  0.0072689512    0.014440433
60     true  0.0313257182    0.018050542
61    false  0.1021114573    0.019855596
62    false  0.0024229837    0.003610108
63    false  0.0072689512    0.000000000
64    false  0.0169608861    0.003610108
65    false  0.0340948425    0.014440433
66     true  0.7069920388    0.332129964
67     true  0.7377985462    0.175090253
68    false  0.0919003115    0.007220217
69    false  0.0065766701    0.001805054
70    false  0.0401523018    0.027075812
71    false  0.0223260644    0.005415162
72    false  0.0635167878    0.018050542
73    false  0.0013845621    0.000000000
74    false  0.0060574593    0.000000000
75     true  0.6102457598    0.909747292
76    false  0.0022499135    0.001805054
77    false  0.0316718588    0.007220217
78    false  0.0019037729    0.000000000
79     true  1.0000000000    1.000000000
80    false  0.0240567670    0.016245487

添加预测列后的测试数据：

   Selected   Votings          Comments   Prediction
1     false   0.329525787    0.023465704      false
2     false   0.299930772    0.075812274      false
3      true   0.962443752    0.178700361       true
4     false   0.032191070    0.001805054      false
5     false   0.036863967    0.025270758      false
6     false   0.014884043    0.005415162      false
7     false   0.034787124    0.005415162      false
8     false   0.007615092    0.000000000      false
9     false   0.005538249    0.000000000      false
10    false   0.006403600    0.005415162      false
11    false   0.006749740    0.005415162      false
12    false   0.048286604    0.072202166      false
13    false   0.057286258    0.021660650      false
14    false   0.067324334    0.012635379      false
15    false   0.004153686    0.001805054      false
16    false   0.004845967    0.003610108      false
17    false   0.089131187    0.055956679      false
18    false   0.010384216    0.001805054      false
19    false   0.040671513    0.021660650      false
20    false   0.001903773    0.001805054      false

编辑

我尝试使用默认虹膜数据测试绘图，但消息仍然相同：

library(datasets)
library(class)
library(ggplot2)
library(caret)

iris_df = as.data.frame(iris)

normalize = function(x) {
  return ((x - min(x)) / (max(x) - min(x)))
}

iris_df$Sepal.Length = normalize(iris_df$Sepal.Length)
iris_df$Sepal.Width = normalize(iris_df$Sepal.Width)
iris_df$Petal.Length = normalize(iris_df$Petal.Length)
iris_df$Petal.Width = normalize(iris_df$Petal.Width)

set.seed(1234)

#sampling
sample = sample(nrow(iris_df), nrow(iris_df)*0.8, replace = FALSE)

#Training data
iris_train=iris_df[sample,]

#Testdata
iris_test=iris_df[-sample,]


ggplot(iris_train, aes(x= Sepal.Length, y= Sepal.Width, color = Species, shape = Species)) + 
  geom_point(size = 3) +
  theme(legend.position="bottom")

ggplot(iris_test, aes(x= Sepal.Length, y= Sepal.Width, color = Species, shape = Species)) + 
  geom_point(size = 3) +
  theme(legend.position="bottom")

k = round(sqrt(nrow(iris_train)))


knn_predict = knn(iris_train[,1:4], iris_test[,1:4], cl = iris_train$Species, k = k)

iris_test$Prediction = knn_predict

confusionMatrix(iris_test$Prediction, iris_test$Species)

ggplot(iris_test, aes(x= Sepal.Length, y= Sepal.Width, color = Species, shape = Species)) + 
  geom_point(size = 3) +
  geom_contour(data = iris_test, aes(x= Sepal.Length, y= Sepal.Width, z = as.numeric(Prediction)),breaks = c(0,.5))

stat_contour() 中的计算失败： x 坐标数必须与密度矩阵中的列数匹配。

【问题讨论】：

您能否给我们足够的输入数据的 sn-p 以复制问题，或者使用标准数据集（例如 iris）复制您的问题？如果我们不能复制，就很难看出问题出在哪里。
@teunbrand，我将训练和测试数据以及预测类添加到问题中。我希望这有助于复制问题。
我可以复制你的错误。问题似乎主要与只有 1 个预测值 true 有关，因此轮廓不能真正使用它。另外，我不确定用等高线图最好地说明决策边界。
@teunbrand，我尝试使用 iris 数据集进行测试，但错误仍然相同。我认为它与情节的网格有关，但不幸的是我不明白这篇文章中给出的解决方案：stackoverflow.com/questions/24260576/…

标签： r ggplot2 plot knn

【解决方案1】：

我认为 geom_contour 方法的一个关键部分是我在您的 iris 代码中没有看到发生的情况，即对变量矩阵执行预测。这是你如何制作一个。我没有对预处理做任何太花哨的事情。

library(class)
library(ggplot2)

train <- sample(150, 75)

train_dat <- iris[train, -5]
test_dat <- iris[-train, -5]

vars <- c("Sepal.Width", "Sepal.Length")

# First make a grid
n <- 40
pred.mat <- expand.grid(
  Sepal.Width = with(iris, seq(min(Sepal.Width), max(Sepal.Width), length.out = n)),
  Sepal.Length = with(iris, seq(min(Sepal.Length), max(Sepal.Length), length.out = n))
)

# Then ask for prediction on the grid
pred.mat$pred <- knn(train_dat[, vars], pred.mat, cl = iris$Species[train], k = 3)

# Use grid as input for geom_contour
ggplot(pred.mat, aes(Sepal.Width, Sepal.Length)) +
  geom_point(data = iris, aes(color = Species)) +
  geom_contour(aes(z = as.numeric(pred == "setosa"), 
                   colour = "setosa"), 
               breaks = 0.5) +
  geom_contour(aes(z = as.numeric(pred == "virginica"), 
                   colour = "virginica"), 
               breaks = 0.5) +
  geom_contour(aes(z = as.numeric(pred == "versicolor"), 
                   color = "versicolor"), 
               breaks = 0.5)

^{由reprex package (v0.3.0) 于 2020-04-18 创建}

【讨论】：

非常感谢您的帮助。我复制了你的代码，它运行良好，但你能解释一下它的更多细节吗？为什么我们必须创建一个额外的网格？它到底在做什么？特别是网格是我在其他解决方案中找到的东西，但我很难理解它与 geom_contour() 的联系
等高线是为值网格计算的，如果您使用stat_density2d()，这也是等高线的工作方式。通过制作网格并将其传递给 knn 预测，您可以获得 knn 预测类别将出现的 xy 位置，您可以将其输入到轮廓中。
所以，只是为了了解它背后的直觉。我们创建一个新的网格，范围从我们想要绘制的两个变量的最小值到最大值。在这种情况下，n=40 只是一个任意选择的数字，用于决定我们希望在网格中有多少个点。然后我们不是在测试数据上应用 knn，而是在基于训练集的整个网格上应用 knn，对吗？之后，我们创建了一个显示整个 iris 数据集的图，但作为附加层，我们还绘制了由 knn 分类的整个网格？
是的，这对我来说似乎是正确的。如果您推断要知道决策边界，您需要知道算法在哪里做出决定，并且 - 您无法通过代数方式获得该边界 - 询问算法它在 n x n 网格中做出的决策是有意义的。是的 40 是任意的，这取决于你想要你的边界有多细。对于最后一点，我们不绘制网格本身，我们使用网格作为等高线的数据，从而找到边界。