绘制决策边界 matplotlib

Posted 2023-03-12

【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