绘制决策边界 matplotlib

Posted

技术标签:

【中文标题】绘制决策边界 matplotlib【英文标题】:plot decision boundary matplotlib 【发布时间】:2013-10-03 23:55:15 【问题描述】:

我对 matplotlib 很陌生,正在做一些简单的项目来熟悉它。我想知道如何绘制决策边界,它是 [w1,w2] 形式的权重向量,它基本上将两个类分开,比如说 C1 和 C2,使用 matplotlib。

是否像绘制从 (0,0) 到点 (w1,w2) 的线一样简单(因为 W 是权重“向量”)如果是这样,如果需要,我如何在两个方向上扩展它去?

现在我正在做的就是:

 import matplotlib.pyplot as plt
   plt.plot([0,w1],[0,w2])
   plt.show()

提前致谢。

【问题讨论】:

***.com/questions/22294241/… 有一些很好的答案 【参考方案1】:

决策边界通常比一条线复杂得多,因此(在二维情况下)最好使用通用情况的代码,这也适用于线性分类器。最简单的想法是绘制决策函数的等高线图

# X - some data in 2dimensional np.array

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))

# here "model" is your model's prediction (classification) function
Z = model(np.c_[xx.ravel(), yy.ravel()]) 

# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=pl.cm.Paired)
plt.axis('off')

# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=Y, cmap=pl.cm.Paired)

sklearn 文档中的一些示例

【讨论】:

所以这里的 Z 是最终的权重向量? 不,Z 是分类矩阵,如果你的神经网络只包含两个权重(并且没有偏差)Z(x,y)=sgn(w1*x+w2*y) 所以在这种情况下,在将参数传递给我的模型的那一行,我实际上会传递我正在分析的数据吗?还是我应该已经训练了我的分类器然后传递这些数据? 我对你的问题一无所知。提供的答案显示了如何绘制 当前 模型决策边界,您可以在训练期间或训练完成后绘制随机(刚刚初始化)模型的决策边界(它可视化 当前边界) 所以如果我的模型只有 2 个类,那么 z 将是我的模型为每个输入返回的 +1 或 -1 值的列表? +1 和 -1 值,因为我的感知器输出是 +1 或 -1,具体取决于权重向量和特征向量的点积是正值还是负值

以上是关于绘制决策边界 matplotlib的主要内容,如果未能解决你的问题,请参考以下文章

绘制文本分类的决策边界

绘制决策边界 matplotlib

绘制线性决策边界

如何在 Python 中绘制逻辑回归的决策边界?

如何在 libsvm 中绘制 4 维虹膜数据的决策边界?

无法理解 SVM 和 LR 中决策边界的绘制