np.arange()和np.linspace()绘制logistic回归图像时得到不同的结果？

1.公式

logistic回归函数的公式：

logistic回归函数的导数公式：

σ'(x) = σ(x) * ( 1 - σ(x) )

2.np.arange()函数画图

使用np.arange()函数画图的代码：

import numpy as np
import matplotlib.pyplot as plt

x1 = np.arange(-1000,1000,0.001)

y1 = 1.0/(1+np.exp(-x1))

yg1 = y1*(1-y1)

plt.plot(x1,y1)

plt.plot(x1,yg1)

Logistic函数图像如下：

导数图像如下：

这跟我想象的很不一样，为什么？？

3.np.linspace()函数画图

使用np.linspace()函数画图的代码：

x2 = np.linspace(-10,10,1000)

y2 = 1.0/(1+np.exp(-x2))

yg2 = y2*(1-y2)

plt.plot(x2,y2)

plt.plot(x2,yg2)

 Logistic函数图像如下：

 导数图像如下：

这才是我们常见的效果图。

4.分析

仔细琢磨，两者取点的方式是没有问题的，但是两者取点的个数不一样（在坐标中画图其实是很多个取值(x,y)的点的连线）。

于是，修改np.arange()的点，取少一些点，步长为1：

x1 = np.arange(-10,10,1)

可以隐约看到折线，修改步长为0.1：

x1 = np.arange(-10,10,0.1)

原来是图片展示的时候y轴和x轴的取值问题，怪不得需要进行数据的归一化处理！

进一步验证，np.linspace()函数多取一些值，取10000个点：

x2 = np.linspace(-100,100,10000)

得到之前一样的效果，由于图像显示大小的原因（python画图的默认幕布大小），取的点太多了，图像在x轴方向被压缩，趋于直线。

5.总结

• 不管用什么方法，画图的时候一定要注意显示幕布的x轴和y轴的比例，不合适的话需要调整
• 在不调整图像显示大小的情况下，需要相应的修改坐标轴取值范围和个数，建议使用np.linspace()方法，可以直接控制取值个数

说明：记录学习笔记，如果错误欢迎指正！写文章不易，转载请联系我。