决策边界用python实现

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()

 解释一下make_moons 是生成数据用的

sklearn.datasets.make_moons(n_samples=100, shuffle=True, noise=None, random_state=None)

主要参数作用如下：
n_numbers:生成样本数量
shuffle:是否打乱，类似于将数据集random一下
noise:默认是false，数据集是否加入高斯噪声
random_state:生成随机种子，给定一个int型数据，能够保证每次生成数据相同。

 定义一个边界决策函数

# 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)

meshgrid函数

通常使用在数据的矢量化上。

它适用于生成网格型数据，可以接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。

 

 

由上面的示例展示可以看出，meshgrid的作用是：

根据传入的两个一维数组参数生成两个数组元素的列表。

如果第一个参数是xarray，维度是xdimesion，

第二个参数是yarray，维度是ydimesion。

那么生成的第一个二维数组是以xarray为行，共ydimesion行的向量；

而第二个二维数组是以yarray的转置为列，共xdimesion列的向量。

然后使用它

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()

clf.fit(X, y)：用训练数据来拟合模型
clf.predict(x) 用训练好的分类器去预测x数据的标签[1]（返回的值是一个概率）

1，rand 生成均匀分布的伪随机数。分布在（0~1）之间
主要语法：rand(m,n)生成m行n列的均匀分布的伪随机数
rand(m,n,'double')生成指定精度的均匀分布的伪随机数，参数还可以
是'single'
rand(RandStream,m,n)利用指定的RandStream(我理解为随机种子)生成伪
随机数

2，randn 生成标准正态分布的伪随机数（均值为0，方差为1）
主要语法：和上面一样