首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >用matplotlib在python中绘制曲线决策边界

问用matplotlib在python中绘制曲线决策边界
EN

Stack Overflow用户
提问于 2015-05-04 19:28:24
回答 1查看 2.4K关注 0票数 1

我对使用python进行机器学习是个新手。我已经成功地使用matplotlib绘制了逻辑回归的直接决策边界。然而,我在绘制一条曲线以理解使用一些样本数据集进行过拟合的情况时遇到了一些困难。

我正在尝试使用正则化建立逻辑回归模型,并使用正则化来控制过拟合我的数据集。

我知道sklearn库,但我更喜欢单独编写代码。

下面是我正在处理的测试数据样本:

代码语言:javascript
复制
x=np.matrix('2,300;4,600;7,300;5,500;5,400;6,400;3,400;4,500;1,200;3,400;7,700;3,550;2.5,650')
y=np.matrix('0;1;1;1;0;1;0;0;0;0;1;1;0') 

我期望的决策边界如下图所示:

​

任何帮助都将不胜感激。

我可以使用下面的代码绘制一个直接的决策边界:

代码语言:javascript
复制
# plot of x 2D
plt.figure()
pos=np.where(y==1)
neg=np.where(y==0)

plt.plot(X[pos[0],0], X[pos[0],1], 'ro')
plt.plot(X[neg[0],0], X[neg[0],1], 'bo')
plt.xlim([min(X[:,0]),max(X[:,0])])
plt.ylim([min(X[:,1]),max(X[:,1])])
plt.show()

# plot of the decision boundary
plt.figure()
pos=np.where(y==1)
neg=np.where(y==0)

plt.plot(x[pos[0],1], x[pos[0],2], 'ro')
plt.plot(x[neg[0],1], x[neg[0],2], 'bo')
plt.xlim([x[:, 1].min()-2 , x[:, 1].max()+2])
plt.ylim([x[:, 2].min()-2 , x[:, 2].max()+2])


plot_x = [min(x[:,1])-2,  max(x[:,1])+2]   # Takes a lerger decision line

plot_y = (-1/theta_NM[2])*(theta_NM[1]*plot_x +theta_NM[0])
plt.plot(plot_x, plot_y)

我的决策边界是这样的:

​

​

在理想的情况下,上面的决策边界是好的,但我想绘制一条曲线决策边界,它将非常适合我的训练数据,但会过度拟合我的测试数据。类似于图1所示的内容

EN

回答 1

Stack Overflow用户

发布于 2015-05-05 04:22:36

这可以通过网格化参数空间并将每个网格点设置为最近点的值来完成。然后在这个网格上运行等值线图。

但也有许多变化,例如将其设置为距离加权平均值;或平滑最终轮廓;等等。

下面是一个查找初始轮廓的示例:

​

​

代码语言:javascript
复制
import numpy as np
import matplotlib.pyplot as plt

# get the data as numpy arrays
xys = np.array(np.matrix('2,300;4,600;7,300;5,500;5,400;6,400;3,400;4,500;1,200;3,400;7,700;3,550;2.5,650'))
vals = np.array(np.matrix('0;1;1;1;0;1;0;0;0;0;1;1;0'))[:,0]
N = len(vals)

# some basic spatial stuff
xs = np.linspace(min(xys[:,0])-2, max(xys[:,0])+1, 10)
ys = np.linspace(min(xys[:,1])-100, max(xys[:,1])+100, 10)
xr = max(xys[:,0]) - min(xys[:,0])  # ranges so distances can weight x and y equally
yr = max(xys[:,1]) - min(xys[:,1])
X, Y = np.meshgrid(xs, ys)    # meshgrid for contour and distance calcs

# set each gridpoint to the value of the closest data point:
Z = np.zeros((len(xs), len(ys), N))
for n in range(N):
    Z[:,:,n] = ((X-xys[n,0])/xr)**2 + ((Y-xys[n,1])/yr)**2  # stack arrays of distances to each points  
z = np.argmin(Z, axis=2)   # which data point is the closest to each grid point
v = vals[z]                # set the grid value to the data point value

# do the contour plot (use only the level 0.5 since values are 0 and 1)
plt.contour(X, Y, v, cmap=plt.cm.gray, levels=[.5])  # contour the data point values

# now plot the data points
pos=np.where(vals==1)
neg=np.where(vals==0)

plt.plot(xys[pos,0], xys[pos,1], 'ro')
plt.plot(xys[neg,0], xys[neg,1], 'bo')

plt.show()
票数 2
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/30029012

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档