决策边界用python实现

1 import numpy as np
2 from sklearn.datasets import make_moons
3 import matplotlib.pyplot as plt
4 # 手动生成一个随机的平面点分布，并画出来
5 np.random.seed(0)
6 X, y = make_moons(200, noise=0.20)
7 plt.scatter(X[:,0], X[:,1], s=40, c=y, cmap=plt.cm.Spectral)
8 plt.show()

 定义一个边界决策函数

 1 # 咱们先顶一个一个函数来画决策边界
 2 def plot_decision_boundary(pred_func):
 3  
 4     # 设定最大最小值，附加一点点边缘填充
 5     x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
 6     y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
 7     h = 0.01
 8  
 9     xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
10  
11     # 用预测函数预测一下
12     Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
13     Z = Z.reshape(xx.shape)
14  
15     # 然后画出图
16     plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
17     plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)

然后使用它

1 from sklearn.linear_model import LogisticRegressionCV
2 #咱们先来瞄一眼逻辑斯特回归对于它的分类效果
3 clf = LogisticRegressionCV()
4 clf.fit(X, y)
5  
6 # 画一下决策边界
7 plot_decision_boundary(lambda x: clf.predict(x))
8 plt.title("Logistic Regression")
9 plt.show()

clf.fit(X, y)：用训练数据来拟合模型
clf.predict(x) 用训练好的分类器去预测x数据的标签[1]（返回的值是一个概率）