Python 绘图决策边界matplotlib

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

它是否像绘制一条从（0,0）到点（w1，w2）的直线一样简单（因为W是权重“向量”），如果是，如果需要，我如何在两个方向上扩展它

现在我所做的就是：

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

---

提前感谢。

决策边界通常比一行复杂得多，因此（在二维情况下）最好使用通用情况下的代码，这也适用于线性分类器。最简单的方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

---

决策边界通常比一条直线复杂得多，因此（在二维情况下）最好使用通用情况下的代码，这也适用于线性分类器。最简单的方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

---

那么这里Z将是最终的权重向量？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）

那么在这种情况下，在参数传递到我的模型的行上，我实际上会传递我正在分析的数据？或者我应该已经训练了我的分类器，然后传递这些数据吗？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（它可视化了当前边界），因此，如果我的模型只有2个类，那么z将是一个列表，假设我的模型为每个输入返回+1或-1值+1和-1值，因为我对感知器的输出是+1或-1，这取决于权重向量和特征向量的点积是正值还是负值，所以这里Z将是结果权重向量？不，

Z

是分类矩阵，如果你的神经网络只包含两个权重（且没有偏差）

Z（x，y）=sgn（w1*x+w2*y）

因此，在本例中，在参数传递到模型的行上，我实际上会传递我正在分析的数据？或者我应该已经训练了我的分类器，然后传递这些数据吗？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（它可视化了当前边界），因此，如果我的模型只有2个类，那么z将是一个列表，假设我的模型为每个输入返回+1或-1值+1和-1值，因为感知器的输出是+1或-1，这取决于权重向量和特征向量的点积是正值还是负值