import numpy as np
from sklearn import linear_model
import matplotlib.pyplot as plt
#画图函数画出数据点和边界
def plot_classifier(classifier, X, y):
# 定义图形的取值范围
x_min, x_max = min(X[:, 0]) - 1.0, max(X[:, 0]) + 1.0
y_min, y_max = min(X[:, 1]) - 1.0, max(X[:, 1]) + 1.0
# 设置网格数据的步长
step_size = 0.01
# 定义网格
x_values, y_values = np.meshgrid(np.arange(x_min, x_max, step_size), np.arange(y_min, y_max, step_size))
# 计算分类器输出结果
mesh_output = classifier.predict(np.c_[x_values.ravel(), y_values.ravel()])
# 数组维度变形
mesh_output = mesh_output.reshape(x_values.shape)
# 用彩画画出各个类型的边界
plt.figure()
# 选择配方方案
plt.pcolormesh(x_values, y_values, mesh_output, cmap=plt.cm.gray)
# 画训练点
plt.scatter(X[:, 0], X[:, 1], c=y, s=80, edgecolors='black', linewidth=1, cmap=plt.cm.Paired)
# 设置图形的取值范围
plt.xlim(x_values.min(), x_values.max())
plt.ylim(y_
机器学习-逻辑回归分类器
最新推荐文章于 2019-09-09 20:29:35 发布
本文探讨了在机器学习中逻辑回归分类器的C参数,它决定了对分类错误的惩罚程度。随着C值增加,模型倾向于寻找更优的分类边界,以降低分类错误。
摘要由CSDN通过智能技术生成