Matplotlib logistic回归决策边界的绘制

我正在实施逻辑回归。我设法从中获得了概率，并且能够预测2类分类任务

我的问题是:

对于我的最终模型，我有权重和训练数据。有两个特征，所以我的权重是一个有两行的向量

---

我该怎么画呢？我明白了，但我不太明白答案。我需要等高线图吗

logistic回归分类器的一个优点是，一旦拟合，就可以得到任何样本向量的概率。这可能是更有趣的情节。下面是一个使用scikit学习的示例：

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style="white")

首先，生成数据并使分类器适合训练集：

X, y = make_classification(200, 2, 2, 0, weights=[.5, .5], random_state=15)
clf = LogisticRegression().fit(X[:100], y[:100])

接下来，制作一个连续的数值网格，并评估网格中每个（x，y）点的概率：

xx, yy = np.mgrid[-5:5:.01, -5:5:.01]
grid = np.c_[xx.ravel(), yy.ravel()]
probs = clf.predict_proba(grid)[:, 1].reshape(xx.shape)

现在，将概率网格绘制为等高线图，并在其顶部额外显示测试集样本：

f, ax = plt.subplots(figsize=(8, 6))
contour = ax.contourf(xx, yy, probs, 25, cmap="RdBu",
                      vmin=0, vmax=1)
ax_c = f.colorbar(contour)
ax_c.set_label("$P(y = 1)$")
ax_c.set_ticks([0, .25, .5, .75, 1])

ax.scatter(X[100:,0], X[100:, 1], c=y[100:], s=50,
           cmap="RdBu", vmin=-.2, vmax=1.2,
           edgecolor="white", linewidth=1)

ax.set(aspect="equal",
       xlim=(-5, 5), ylim=(-5, 5),
       xlabel="$X_1$", ylabel="$X_2$")

逻辑回归允许您根据您想要的任何阈值对新样本进行分类，因此它本身没有一个“决策边界”。但是，当然，常用的决策规则是p=.5。我们也可以使用上述代码绘制等高线标高：

f, ax = plt.subplots(figsize=(8, 6))
ax.contour(xx, yy, probs, levels=[.5], cmap="Greys", vmin=0, vmax=.6)

ax.scatter(X[100:,0], X[100:, 1], c=y[100:], s=50,
           cmap="RdBu", vmin=-.2, vmax=1.2,
           edgecolor="white", linewidth=1)

ax.set(aspect="equal",
       xlim=(-5, 5), ylim=(-5, 5),
       xlabel="$X_1$", ylabel="$X_2$")

---

接受的答案很好，但它也很有用，特别是在试图理解权重的含义时，将权重转换为斜率/截距形式，并仅绘制决策边界

logit的形式是

wx+b

，但在二进制分类的情况下

x

和

w

是二维的。其中一个

x

值实际上代表了绘图上的

y

。这意味着直线的方程式如下所示：

w[1] * y = w[0] * x + b 
# to solve for y
y = (w[0] * x)/w[1] + b / w[1]

绘制其中

x\u np

是您的数据，而

w

+

b

是您的学习参数的曲线图，简单如下：

plt.scatter(x_np[:,0], x_np[:,1], c=y_np.reshape(-1),cmap=mpl.colors.ListedColormap(colors))
ax = plt.gca()
ax.autoscale(False)
x_vals = np.array(ax.get_xlim())
y_vals = -(x_vals * w_guess[0] + b_guess[0])/w_guess[1]
plt.plot(x_vals, y_vals, '--', c="red")

应该是：

w[1] * y = **-**(w[0] * x + b)  

正如您在代码中所做的：

y_vals = -(x_vals * w_guess[0] + b_guess[0])/w_guess[1]

---

你导入了

seaborn

，但实际上没有在你的答案中使用它，这对吗？我不熟悉这个库，只是检查它是否有必要回答。@Zhubarb:Seaborn会在您导入matplotlib时立即覆盖它的许多默认配置。因此，如果您不需要seaborn直接提供的任何功能，而只是希望matplotlib看起来比默认情况下要好得多，那么您所要做的就是导入seaborn并使用它开展业务matplotlib@Gus我在

probs=clf.predict_probs（grid）[：，1]处得到一个错误。重塑（xx.shape）

说

AttributeError:'LogisticRegression'对象没有属性“predict\u probs”

我遗漏了什么吗？如果这对任何人都有帮助，请查看下面的sklearn示例：你从哪里得到

y\u vals=-（x\u vals*w\u guess[0]+b\u guess[0]）/w\u guess[1]

？我不明白这是怎么从原始方程中得到的。。你从哪里得到的？@YuChen这就是你求解

y

时得到的结果，其中

h（x，y）=0.5

。这里，

h（x，y）

是逻辑回归的概率函数，这意味着

h（x，y）=1/（1+exp（-（w1*x+w2*y+b））

。因此，当这个决策函数等于

0.5

时，这本质上意味着这个实例，

（x，y）

，有50%的几率在类

0

或

1

中。

y_vals = -(x_vals * w_guess[0] + b_guess[0])/w_guess[1]