此示例模拟多标签文档分类问题。数据集是基于以下过程随机生成的：

• 选择标签数量：n~泊松（n_labels）
• n次，选择一个类c：c~Multinomial（theta）
• 挑选文件长度：k~泊松（长度）
• k次，选一个词：w~Multinomial（theta_c）

在上述过程中，拒绝采样用于确保n大于2，并且文档长度从不为零。同样，我们拒绝已经选择的类。分配给两个类的文档被两个彩色圆圈包围。

通过投影到PCA和CCA找到的前两个主要组件以进行可视化目的，然后使用sklearn.multiclass.OneVsRestClassifier具有线性内核的两个SVC 的元分类器来学习每个类的判别模型来执行分类。请注意，PCA用于执行无监督降维，而CCA用于执行监督降维。

注3意：在图中，“未标记的样本”并不意味着我们不知道标签（如在半监督学习中），而是样本根本没有 标签。

打印（__doc__ ）

import  numpy  as  np 
import  matplotlib.pyplot  as  plt

#从 sklearn.datasets  进口 make_multilabel_classification
#从 sklearn.multiclass  进口 OneVsRestClassifier
#从 sklearn.svm  进口 SVC
#从 sklearn.decomposition  进口 PCA
#从 sklearn.cross_decomposition  进口 CCA


#高清 plot_hyperplane （CLF ， MIN_X ， MAX_X ， 线型， 标签）： 
    ＃得到分离超
    w ^  =  CLF 。coef_ [ 0 ] 
    a  =  - w [ 0 ]  /  w [ 1 ] 
    xx  =  np 。linspace（min_x  -  5 ， max_x  +  5 ）  ＃确保该行足够长
    yy  =  a *  XX  -  （CLF 。intercept_ [ 0 ]） /  瓦特[ 1 ] 
    PLT 。plot（xx ， yy ， linestyle ， label = label ）


DEF  plot_subfigure （X ， ÿ ， 副区， 标题， 变换）：
    如果 变换 ==  “PCA” ：
        X  =  PCA（n_components = 2 ）。fit_transform （X ）
    elif  transform  ==  “cca” ：
        X  =  CCA（n_components = 2 ）。适合（X ， Y ）。转变（X ）
    else ：
        引发 ValueError

    min_x  =  np 。min （X [：， 0 ]）
    max_x  =  np 。max （X [：， 0 ]）

    min_y  =  np 。min （X [：， 1 ]）
    max_y  =  np 。max （X [：， 1 ]）

    classif  =  OneVsRestClassifier（SVC（kernel = 'linear' ））
    classif 。适合（X ， Y ）

    plt 。副区（2 ， 2 ， 副区）
    PLT 。标题（标题）

    zero_class  =  np 。其中（Y [：， 0 ]）
    one_class  =  np 。其中（Y [：， 1 ]）
    plt 。散射（X [：， 0 ]， X [：， 1 ]， 小号= 40 ， c ^ = '灰色' ， edgecolors = （0 ， 0 ， 0 ））
    PLT 。散射（X [zero_class ， 0 ]， X [ zero_class ， 1 ]， s = 160 ， edgecolors = 'b' ，
                facecolors = 'none' ， linewidths = 2 ， label = 'Class 1' ）
    plt 。scatter（X [ one_class ， 0 ]， X [ one_class ， 1 ]， s = 80 ， edgecolors = 'orange'，
                facecolors = 'none' ， linewidths = 2 ， label = 'Class 2' ）

    plot_hyperplane （classif 。estimators_ [ 0 ]， MIN_X ， MAX_X ， 'K--' ，
                    '边界\ n 为类1' ）
    plot_hyperplane （classif 。estimators_ [ 1 ]， MIN_X ， MAX_X ， '的k' ，
                    “边界\ n 为2级' ）
    plt 。xticks（（））
    plt 。yticks（（））

    plt 。XLIM（MIN_X  -  。5  *  MAX_X ， MAX_X  +  。5  *  MAX_X ）
    PLT 。ylim（MIN_Y  -  。5  *  MAX_Y ， MAX_Y  +  。5  *  MAX_Y ）
    #如果 副区 ==  2 ：
        PLT 。xlabel（'第一主成分' ）
        plt 。ylabel（'第二主要成分' ）
        plt 。传奇（loc = “左上角” ）


plt 。图（figsize = （8 ， 6 ））

X ， Y  =  make_multilabel_classification（n_classes = 2 ， n_labels = 1 ，
                                      allow_unlabeled = True ，
                                      random_state = 1 ）

plot_subfigure （X ， Y ， 1 ， “带有未标记的样本+ CCA” ， “cca” ）
plot_subfigure （X ， Y ， 2 ， “带有未标记的样本+ PCA” ， “pca” ）

X ， Y  =  make_multilabel_classification（n_classes = 2 ， n_labels = 1 ，
                                      allow_unlabeled = False ，
                                      random_state = 1 ）

plot_subfigure （X ， Y ， 3 ， “没有未标记的样本+ CCA” ， “cca” ）
plot_subfigure （X ， Y ， 4 ， “没有未标记的样本+ PCA” ， “pca” ）

plt 。subplots_adjust（。04 ， 。02 ， 。97 ， 。94 ， 。09 ， 。2 ）
PLT 。show（）