53-决策边界

决策边界

  上一篇博客我们实现了自己的逻辑回归算法，将鸢尾花这个数据集进行了很好的分类识别。当然，我们只选取了其中的两个类和两个特征。

  对于 $Sigmoid$ 这个式子：

  
  通过观察 $Sigmoid$ 函数可以得出一个结论， $Sigmoid$ 函数是以 $t=0$ 为分界点的。我们把这样一个结论带进下面的式子中：

  
  在逻辑回归的式子 $p$ 中，$t$ 的值就相当于是 ${\theta }^T\cdot x_b$ 的值，所以我们很容易得出一个结论：

  
  此时我们的样本 $x$ 的分类是 1 还是 0 这个边界点就在 ${\theta }^T\cdot x_b=0$ 这样的位置，这个位置就被称为决策边界。

  
  决策边界是两个向量相乘，同时它也代表一根直线。假设 $X$ 有两个特征，我们的决策边界就可以写成这个式子：

  这样的式子是一条直线的表达式，在我们的二维坐标系中，我们的横轴是 $x_1$ 这个特征，我们的纵轴是 $x_2$ 这个特征。不过通常我们绘制一根直线，我们更愿意将其写成 $y=kx+b$ 这样的形式，这里的 $y$ 就是 $x_2$。我们将其简单转换一下得到下面的式子：

  我们推导出这个式子，是为了能够在程序中将这根直线给画出来。

---

编程实现决策边界

  
下面我们实际编程观察决策边界。（接着上一篇的 Notebook 写）
  

---

  具体代码见 52 实现逻辑回归.ipynb