python 画出决策边界_python 画出使用分类器得到的决策边界

获取数据集，并画图代码如下：

import numpy as np

from sklearn.datasets import make_moons

import matplotlib.pyplot as plt

# 手动生成一个随机的平面点分布，并画出来

np.random.seed(0)

X, y = make_moons(200, noise=0.20)

plt.scatter(X[:,0], X[:,1], s=40, c=y, cmap=plt.cm.Spectral)

plt.show()

得到图如下：

定义决策边界函数：

# 咱们先顶一个一个函数来画决策边界

def plot_decision_boundary(pred_func):

# 设定最大最小值，附加一点点边缘填充

x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5

y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5

h = 0.01

xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# 用预测函数预测一下

Z = pred_func(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)

# 然后画出图

plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)

plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)

定义分类函数，并画出决策边界图代码如下：

from sklearn.linear_model import LogisticRegressionCV

#咱们先来瞄一眼逻辑斯特回归对于它的分类效果

clf = LogisticRegressionCV()

clf.fit(X, y)

# 画一下决策边界

plot_decision_boundary(lambda x: clf.predict(x))

plt.title("Logistic Regression")

plt.show()

画图如下：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持谷谷点程序。