Сортированные данные не отображаются в правильных точках данных [дубликаты]

Это кажется склеарнским вопросом, но это не так (по крайней мере, не напрямую). Я просто использую здесь sklearn для получения точек данных, так как это сможет полностью воспроизвести мою проблему. Некоторый фон

Я использую sklearn чтобы предсказать некоторые точки в небольшом интервале. Сначала я строю синтетический домен X с 2d векторами (строки в матрице).

Затем я вычисляю некоторые точки изображения y= x_1 + x_2 + noise используя эти строки x=(x_1, x_2) и некоторый шум, чтобы попытаться воспроизвести некоторые реальные данные.

Чтобы выполнить регрессию (или интерполяцию), в рамках метода, который я выбираю случайным образом, выбираем векторы/точки (здесь в матричной форме они являются строками) из домена X с помощью команды train_test_split, я train_test_split детали, но массивы результатов случайные подмножества пространства (пространство (x_1, x_2, y) для всех (x_1, x_2) в моей компактной поддержке.

Затем я делаю регрессию, используя sklearn, пока все хорошо. все работает как положено. И я получаю в y_pred_test_sine прогнозы, и они хорошо работают. Но прогноз полностью перемешан, так как метод выбирает случайные точки из области в качестве тестового набора.

Здесь возникает проблема...

Так как я хочу построить непрерывную функцию (будучи интерполированной с помощью matplotlib, и это нормально, я позже поиграю с собственными тестами интерполяции). Я делаю две вещи:

1. Создайте новый вектор с отсортированными предсказанными точками изображения из теста X_test_sort
2. Создайте новый вектор с отсортированными доменными точками из теста. y_pred_test_sine_sort

Они (1) и (2) соответствуют (по крайней мере, должны) каждой точке данных в прогнозируемой модели (они сортируются только для того, чтобы их можно было легко построить с использованием линий plt.plot, а не маркеров)

Затем я строю их, и они не соответствуют (ВСЕМ) ожидаемым точкам в моем пространстве решений.

Здесь мы видим, что полная черная линия (отсортированная предсказанная линия) не следует за оранжевыми точками (предсказанные точки). И это было совсем не то, что я ожидал.

Здесь следуйте коду, чтобы воспроизвести проблему.

import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

plt.close('all')

rng = np.random.RandomState(42)
regressor = LinearRegression()

# Synthetic dataset
x_1 = np.linspace(-3, 3, 300)
x_2 = np.sin(4*x_1)
noise = rng.uniform(size=len(x_1))
y = x_1 + x_2 + noise
X = np.vstack((x_1, x_2)).T

# Data splitting
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

# Regression 2 features data
fit_sine = regressor.fit(X_train, y_train)
y_pred_test_sine = regressor.predict(X_test)

# Here I have sorted the X values and its image points Y = f(x)
# Why those are not correctly placed over the 'prediction' points
X_test_sort = np.sort(X_test[:,0].ravel())
y_pred_test_sine_sort = np.sort(y_pred_test_sine.ravel())

# DO THE PLOTTING
plt.plot(X_test[:,0], y_test, 'o', alpha=.5, label='data')
plt.plot(X_test[:,0], y_pred_test_sine, 'o', alpha=.5, label='prediction')
plt.plot(X_test_sort, y_pred_test_sine_sort, 'k', label='prediction line')
plt.plot(x, np.sin(4*x)+x+.5, 'k:', alpha=0.3, label='trend')
plt.legend()