吴恩达深度学习第一课第三周代码常见问题(绘图Bug、acuuracy)

#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