决策边界绘制函数plot_decision_boundary()和plt.contourf函数详解

在做吴恩达老师的深度学习课程作业时，发现决策边界函数不好理解plot_decision_boundary(model , X , y)。将此函数理解记录下：
作业地址：https://blog.csdn.net/u013733326/article/details/79702148
绘制梯度下降算法图形或是决策边界，核心便在于知道plt.contourf函数的用法

plt.contourf函数

这里参考https://blog.csdn.net/qq_44669578/article/details/103348076?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.nonecase

plt.contourf用来画出不同分类的边界线，也常常用来绘制等高线
1.生成数据点

x = np.arange(-5, 5, 1)
y = np.arange(0, 20, 2)
xx, yy = np.meshgrid(x, y)

2.对不同类的数据进行标记，即生成Z

z = np.square(xx) - yy > 0

3.生成边界图

plt.contourf(xx, yy, z, cmap=plt.cm.Spectral)
plt.scatter(xx, yy, c=z)
plt.show()

如果点设置得更密集一点，分界处会更光滑，可以看到完整的抛物线

完整代码

x = np.arange(-5, 5, 0.1)
y = np.arange(0, 20, 0.2)
xx, yy = np.meshgrid(x, y)

z = np.square(xx) - yy > 0
#plt.cm.Spectral,在这的意思就是颜色会随Z的值变化
plt.contourf(xx, yy, z, cmap=plt.cm.Spectral)
plt.scatter(xx, yy, c=z)
plt.show()

2.plot_decision_boundary()函数理解

先附上完整代码

def plot_decision_boundary(model, X, y):
    x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1
    y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1
    h = 0.01
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
 
    Z = model(np.c_[xx.ravel(), yy.ravel()]) 
    Z = Z.reshape(xx.shape)
    
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.ylabel('x2')
    plt.xlabel('x1')
    plt.scatter(X[0, :], X[1, :], c=np.squeeze(y), cmap=plt.cm.Spectral)

效果图

调用训练好的模型

绘制此决策边界的思路是：首先已经通过了神经网络拟合出了输入特征和标签的函数关系，然后生成间距很小的网格覆盖这些点（函数中用h表示网格点之间的距离），将网格的坐标送入训练好的神经网络，神经网络会为每个网格坐标输出一个预测值，注意，这个网格点非常多，占满了整张图，图中的红色和蓝色其实就是经过预测后的网格点所填充的颜色，以预测值0.5进行划分，预测值为0.5的这条线也即为红点和蓝点的区分线。

首先按照样本大小，以0.01的间距生成网格

 x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1
 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1
 h = 0.01
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

然后用训练好的模型对网格上的所有的点进行预测，返回一个只含0/1的矩阵
然后改变矩阵Z的形状，因为在contourf函数中，当 X,Y,Z 都是 2 维数组时，它们的形状必须相同。

Z = model(np.c_[xx.ravel(), yy.ravel()])  #ravel()函数将多维降至一维，默认行优先
Z = Z.reshape(xx.shape)

然后画图，plt.cm.Spectral,在这的意思就是颜色会随Z的值变化

plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
plt.ylabel('x2')
plt.xlabel('x1')
plt.scatter(X[0, :], X[1, :], c=np.squeeze(y), cmap=plt.cm.Spectral)