#绘制边界
plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
#应重置Y为Y.reshape(X[0,:].shape)
plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y.reshape(X[0,:].shape)
原因如下:
我们先来看一下plot_decision_boundary函数(决策边界函数)
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))
#生成数据点(数据点很多,几乎占满了整张图)
Z = model(np.c_[xx.ravel(), yy.ravel()]) #将数据点输入训练好的神经网络,输出的预测值
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)#生成边界图(也就是图中大片覆盖的区域)
plt.ylabel('x2')
plt.xlabel('x1')
plt.scatter(X[0, :], X[1, :], c=np.squeeze(y), cmap=plt.cm.Spectral)
#画出一开始数据的散点图
问题二:
accuracy=float((np.dot(Y,predictions.T)+np.dot(1-Y,1-predictions.T))/float(Y.size)*100)
一开始看有点懵,其实它是[(实际为1并且预测为1的数目)+(实际为0并且预测为0的数目)]/样本总数目=accuracy