獲取數(shù)據(jù)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(shù)：
# 咱們先頂一個一個函數(shù)來畫決策邊界
def plot_decision_boundary(pred_func):
# 設(shè)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(yù)測函數(shù)預(yù)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(shù)，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(nèi)容，希望對大家的學(xué)習有所幫助，也希望大家多多支持腳本之家。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
