决策界限的产生

逻辑回归中

假设函数$h_{\theta }(x)$输出的是给定$x$和参数 $\theta$时，$y=1$的估计概率，即：$h_{\theta }(x)=g({\theta }^{T}x)=p(y=1|x;\theta )$
$g(z)=\frac{1}{1+e^{-z}}$

当我们想知道预测值 y=1 还是 y=0 时，可以这样做：

$预测值为y=1时条件为h_{\theta }(x)=g({\theta }^{T}x)\ge 0.5$
$预测值为y=0时条件为h_{\theta }(x)=g({\theta }^{T}x)<0.5$

这样我们就可以更好的理解逻辑回归的假设函数是如何做出预测的。

例

     假设如上图中有两类数据，假设函数为$h_{\theta }(x)=g({\theta }_0+{\theta }_1{x}_1+{\theta }_2{x}_2)$,此时我们拟合好的的参数为[-3, 1, 1],现在对预测值进行计算：

$预测值y=1条件:{\theta }^{T}x\ge 0$
$即-3+x_1+x_2\ge 0$
$x_1+x_2\ge 3$

$预测值y=0条件:{\theta }^{T}x<0$
$即-3+x_1+x_2<0$
$x_1+x_2<3$

下图是进行决策化后的图象：

     而$x_1+x_2=3$对应$h_{\theta }(x)$正好等于0.5的区域，决策界限也就是这条直线。决策界限时假设函数的属性，决定于基参数$\theta$，不是数据集的属性。