決策邊界用python實現

import numpy as np
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt
# 手動生成一個隨機的平面點分布，並畫出來
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()

 解釋一下make_moons 是生成數據用的

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

主要參數作用如下：
n_numbers:生成樣本數量
shuffle:是否打亂，類似於將數據集random一下
noise:默認是false，數據集是否加入高斯噪聲
random_state:生成隨機種子，給定一個int型數據，能夠保證每次生成數據相同。

 定義一個邊界決策函數

# 咱們先頂一個一個函數來畫決策邊界
def plot_decision_boundary(pred_func):
 
    # 設定最大最小值，附加一點點邊緣填充
    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))
 
    # 用預測函數預測一下
    Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
 
    # 然后畫出圖
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)

meshgrid函數

通常使用在數據的矢量化上。

它適用於生成網格型數據，可以接受兩個一維數組生成兩個二維矩陣，對應兩個數組中所有的(x,y)對。

 

 

由上面的示例展示可以看出，meshgrid的作用是：

根據傳入的兩個一維數組參數生成兩個數組元素的列表。

如果第一個參數是xarray，維度是xdimesion，

第二個參數是yarray，維度是ydimesion。

那么生成的第一個二維數組是以xarray為行，共ydimesion行的向量；

而第二個二維數組是以yarray的轉置為列，共xdimesion列的向量。

然后使用它

from sklearn.linear_model import LogisticRegressionCV
#咱們先來瞄一眼邏輯斯特回歸對於它的分類效果
clf = LogisticRegressionCV()
clf.fit(X, y)
 
# 畫一下決策邊界
plot_decision_boundary(lambda x: clf.predict(x))
plt.title("Logistic Regression")
plt.show()

clf.fit(X, y)：用訓練數據來擬合模型
clf.predict(x) 用訓練好的分類器去預測x數據的標簽[1]（返回的值是一個概率）

1，rand 生成均勻分布的偽隨機數。分布在（0~1）之間
主要語法：rand(m,n)生成m行n列的均勻分布的偽隨機數
rand(m,n,'double')生成指定精度的均勻分布的偽隨機數，參數還可以
是'single'
rand(RandStream,m,n)利用指定的RandStream(我理解為隨機種子)生成偽
隨機數

2，randn 生成標准正態分布的偽隨機數（均值為0，方差為1）
主要語法：和上面一樣