跟我一起用python画你所想吧!

0.库的引入
要想画图,我们先倒入两个库.
		import numpy as np
		import matplotlib.pyplot as plt
注:以下代码全都基于导入这两个库的前提下编写的.
1.标准的正太分布
		mu=
		sigma=
		x=np.linspace(mu-3*sigma,mu+3*sigma,100)#均值加减3倍的方差,取51个
		y=np.exp(-(x-mu)**/(*sigma**))/(math.sqrt(*math.pi)*sigma)
		print(x.shape)
		print('x=\n',x)
		print(y)
		print('y=\n',y)
		plt.figure(facecolor='w')#背景颜色为白色
		plt.plot(x,y,'r-',x,y,'go',linewidth=,markersize=)
		plt.xlabel('X',fontsize=)
		plt.ylabel('Y',fontsize=)
		plt.title('Gauss Distribution',fontsize=)
		plt.grid(True)
		plt.show()
2.损失函数:Logistic损失(-1,1)/SVM Hinge损失/0/1损失
		plt.figure(figsize=(10,8))#英寸
		x=np.array(np.linspace(-,,,dtype=np.float))
		y_logit=np.log(+np.exp(-x))/math.log()
		y_boost=np.exp(-x)
		y_01=x<
		y_hinge=1.0-x
		y_hinge[y_hinge<]=
		plt.plot(x,y_logit,'r-',label='Logistic Loss',linewidth=)
		plt.plot(x,y_01,'g-',label='0/1 Loss',linewidth=2)#利用布尔值实现0 1损失
		plt.plot(x,y_hinge,'b-',label='Hinge Loss',linewidth=)
		plt.grid(True)
		plt.legend(loc='lower left')#upper,lower,left,right
		plt.savefig('1.png')
		plt.show()
3 x^x
	def f(x):
    		y=np.ones_like(x)#保持和x一样的数据类型和格式,只不过数值大小为1
    　　　　　　　i=x>0
    　　　　　　  y[i]=np.power(x[i],x[i])
   	 	i=x<0
    　　　　　　　y[i]=np.power(-x[i],-x[i])
    		return y
	plt.figure(facecolor='w')
	x=np.linspace(-1.3,1.3,)
	y=f(x)
	plt.grid()
	plt.legend(loc='upper right')
	plt.plot(x,y,'g-',label='x^x',linewidth=)
	plt.xlabel('X',fontsize=)
	plt.ylabel('Y',fontsize=)
	plt.title('Fig1',fontsize=)
	plt.show()
4胸型线
	x=np.arange(,,-0.001)
	y=(-*x*np.log(x)+np.exp(-(*(x-/np.e))**)/)/
	plt.figure(figsize=(,))
	plt.plot(y,x,'r-',linewidth =)
	plt.grid(True)
	# plt.title(u'胸型线',fontsize=20)
	plt.savefig('breast.png')
	plt.show()
5 心型线
	t=np.linspace(,*np.pi,)
	x=*np.sin(t)**
	y=*np.cos(t)-*np.cos(*t)-*np.cos(*t)-np.cos(*t)
	plt.plot(x,y,'r-',linewidth=)
	plt.grid(True)
	plt.show()
6渐开线
	t=np.linspace(,,)
	x=t*np.sin(t)+np.cos(t)
	y=np.sin(t)-t*np.cos(t)
	plt.plot(x,y,'g-',linewidth=)
	plt.grid(True)
	plt.show()