diff options
| author | Slasnista <stan.chambon@gmail.com> | 2017-08-29 13:34:34 +0200 |
|---|---|---|
| committer | Slasnista <stan.chambon@gmail.com> | 2017-08-29 13:34:34 +0200 |
| commit | 65de6fc9add57b95b8968e1e75fe1af342f81d01 (patch) | |
| tree | 1b973cb5314af46a28060c477840903bf3fbf4ac /examples/da/plot_otda_d2.py | |
| parent | a29e22db4772ebc4a8266c917e2e662f624c6baa (diff) | |
pass on examples | introduced RandomState
Diffstat (limited to 'examples/da/plot_otda_d2.py')
| -rw-r--r-- | examples/da/plot_otda_d2.py | 12 |
1 files changed, 10 insertions, 2 deletions
diff --git a/examples/da/plot_otda_d2.py b/examples/da/plot_otda_d2.py index 8833eb2..3daa0a6 100644 --- a/examples/da/plot_otda_d2.py +++ b/examples/da/plot_otda_d2.py @@ -19,10 +19,12 @@ of what the transport methods are doing. # License: MIT License import matplotlib.pylab as pl -import numpy as np import ot -np.random.seed(42) + +############################################################################## +# generate data +############################################################################## n_samples_source = 150 n_samples_target = 150 @@ -33,7 +35,10 @@ Xt, yt = ot.datasets.get_data_classif('3gauss2', n_samples_target) # Cost matrix M = ot.dist(Xs, Xt, metric='sqeuclidean') + +############################################################################## # Instantiate the different transport algorithms and fit them +############################################################################## # EMD Transport ot_emd = ot.da.EMDTransport() @@ -52,6 +57,7 @@ transp_Xs_emd = ot_emd.transform(Xs=Xs) transp_Xs_sinkhorn = ot_sinkhorn.transform(Xs=Xs) transp_Xs_lpl1 = ot_lpl1.transform(Xs=Xs) + ############################################################################## # Fig 1 : plots source and target samples + matrix of pairwise distance ############################################################################## @@ -78,6 +84,7 @@ pl.yticks([]) pl.title('Matrix of pairwise distances') pl.tight_layout() + ############################################################################## # Fig 2 : plots optimal couplings for the different methods ############################################################################## @@ -127,6 +134,7 @@ pl.yticks([]) pl.title('Main coupling coefficients\nSinkhornLpl1Transport') pl.tight_layout() + ############################################################################## # Fig 3 : plot transported samples ############################################################################## |