Python tfidf二元逻辑回归分类器的sklearn图决策边界

假设我们有一个非常简单的逻辑回归模型

from sklearn.compose import ColumnTransformer
from sklearn.datasets import fetch_20newsgroups
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn2pmml.feature_extraction.text import Splitter
import pandas as pd
import numpy as np

data_col1 = fetch_20newsgroups(
    subset='train',
    categories=['alt.atheism'],
    remove=('headers', 'footers', 'quotes')
)
data_col2 = fetch_20newsgroups(
    subset='train',
    categories=['sci.space'],
    remove=('headers', 'footers', 'quotes')
)

data = pd.DataFrame({
    "col1": data_col1.data[:100],
    "col2": data_col2.data[:100]
})
labels = np.random.randint(2, size=100)
train_data, test_data, train_labels, test_labels = train_test_split(
    data,
    labels,
    test_size=0.1,
    random_state=0,
    shuffle=False
)


def title_features_pipeline():
    return Pipeline([
        ('features', TfidfVectorizer(
            analyzer='word',
            stop_words='english',
            use_idf=True,
            # max_df=0.1,
            min_df=0.01,
            norm=None,
            tokenizer=Splitter()
        )),
    ], verbose=True)


pipeline = Pipeline([
        ('features', ColumnTransformer(
            transformers = [
                ('col1-features', title_features_pipeline(), "col1"),
                ('col2-features', "drop", "col2")
            ],
            remainder="drop",
        )),
        ('regression', LogisticRegression(
            multi_class='ovr',
            max_iter=1000
        ))
], verbose=True)

pipeline.fit(train_data, train_labels)
pred = pipeline.predict(test_data)
print('ROC AUC = {:.3f}'.format(roc_auc_score(test_labels, pred)))

我花了大量的时间，包括stackoverflow示例和Github代码片段，但我无法得到任何与我的特定案例相关的东西，这让我发疯，我确信我只是做错了什么

我的目标是为这个LogisticalRegression分类器绘制决策边界，查看每个文档属于哪个类，以及在图上将两个类分开的边界

---

在此过程中，我想了解LogisticalRegression对来自TfidfVectorizer的向量到底做了什么。这是因为到目前为止，我看过的所有示例都是基于这样的假设绘制决策边界的，即只有简单的标量进入分类器，但在这种情况下，我们有长向量（tfidf）。。。我不明白一个向量如何转换成图上表示的单个值（是向量中所有分数的总和？还是其他什么）。逻辑回归将在tfidf向量器中为每个项学习一个标量值。通过将权重乘以tfidf分数并将其相加，将向量转换为分数

---

绘制决策边界通常是在二维或三维中完成的。当您有一个可能具有数百维的文本分类器时，绘制决策边界对您来说意味着什么并不清楚。

谢谢您的回答，这是有意义的。因此，我所追求的是从逻辑回归中提取这一点：

向量通过将权重乘以tfidf分数并将它们全部相加来转换为分数。因此，正如您所说，
绘制决策边界通常是在二维或三维中进行的。如果我能重现逻辑回归对向量的作用，我就能轻松地绘制它们。