獲取數據集，并畫圖代碼如下：
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，并畫出來 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()
得到圖如下：
定義決策邊界函數：
# 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)
定義分類函數，并畫出決策邊界圖代碼如下：
from sklearn.linear_model import LogisticRegressionCV
#咱們先來瞄一眼邏輯斯特回歸對于它的分類效果
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()
畫圖如下：
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
