使用matplotlib在python中绘制曲线决策边界

我是python机器学习新手。我已经使用matplotlib为逻辑回归画出了直接的决策边界。然而，在绘制曲线以理解使用某些样本数据集进行过度拟合的情况时，我面临一些困难

我正在尝试使用正则化建立逻辑回归模型，并使用正则化来控制数据集的过度拟合

我知道sklearn库，但是我更喜欢单独编写代码

我正在处理的测试数据样本如下所示：

x=np.matrix('2,300;4,600;7,300;5,500;5,400;6,400;3,400;4,500;1,200;3,400;7,700;3,550;2.5,650')
y=np.matrix('0;1;1;1;0;1;0;0;0;0;1;1;0') 

我期望的决策边界如下图所示：

任何帮助都将不胜感激

我可以使用下面的代码绘制一个直接的决策边界：

# plot of x 2D
plt.figure()
pos=np.where(y==1)
neg=np.where(y==0)

plt.plot(X[pos[0],0], X[pos[0],1], 'ro')
plt.plot(X[neg[0],0], X[neg[0],1], 'bo')
plt.xlim([min(X[:,0]),max(X[:,0])])
plt.ylim([min(X[:,1]),max(X[:,1])])
plt.show()

# plot of the decision boundary
plt.figure()
pos=np.where(y==1)
neg=np.where(y==0)

plt.plot(x[pos[0],1], x[pos[0],2], 'ro')
plt.plot(x[neg[0],1], x[neg[0],2], 'bo')
plt.xlim([x[:, 1].min()-2 , x[:, 1].max()+2])
plt.ylim([x[:, 2].min()-2 , x[:, 2].max()+2])


plot_x = [min(x[:,1])-2,  max(x[:,1])+2]   # Takes a lerger decision line

plot_y = (-1/theta_NM[2])*(theta_NM[1]*plot_x +theta_NM[0])
plt.plot(plot_x, plot_y)

我的决策边界如下所示：

---

在理想情况下，上述决策边界是好的，但我想绘制一条曲线决策边界，该边界将非常适合我的训练数据，但将过度适合我的测试数据。类似于第一个图中所示的内容，可以通过对参数空间进行网格化并将每个网格点设置为最近点的值来实现。然后在此网格上运行等高线图

但是有很多变化，例如将其设置为距离加权平均值；或平滑最终轮廓；等等

以下是查找初始轮廓的示例：

import numpy as np
import matplotlib.pyplot as plt

# get the data as numpy arrays
xys = np.array(np.matrix('2,300;4,600;7,300;5,500;5,400;6,400;3,400;4,500;1,200;3,400;7,700;3,550;2.5,650'))
vals = np.array(np.matrix('0;1;1;1;0;1;0;0;0;0;1;1;0'))[:,0]
N = len(vals)

# some basic spatial stuff
xs = np.linspace(min(xys[:,0])-2, max(xys[:,0])+1, 10)
ys = np.linspace(min(xys[:,1])-100, max(xys[:,1])+100, 10)
xr = max(xys[:,0]) - min(xys[:,0])  # ranges so distances can weight x and y equally
yr = max(xys[:,1]) - min(xys[:,1])
X, Y = np.meshgrid(xs, ys)    # meshgrid for contour and distance calcs

# set each gridpoint to the value of the closest data point:
Z = np.zeros((len(xs), len(ys), N))
for n in range(N):
    Z[:,:,n] = ((X-xys[n,0])/xr)**2 + ((Y-xys[n,1])/yr)**2  # stack arrays of distances to each points  
z = np.argmin(Z, axis=2)   # which data point is the closest to each grid point
v = vals[z]                # set the grid value to the data point value

# do the contour plot (use only the level 0.5 since values are 0 and 1)
plt.contour(X, Y, v, cmap=plt.cm.gray, levels=[.5])  # contour the data point values

# now plot the data points
pos=np.where(vals==1)
neg=np.where(vals==0)

plt.plot(xys[pos,0], xys[pos,1], 'ro')
plt.plot(xys[neg,0], xys[neg,1], 'bo')

plt.show()

---

你有什么问题？你尝试过什么？嗨，朱利安，我正在尝试建立一个曲线决策边界，我尝试过用matplotlib绘制一条直线。但我不知道如何在matplotlib中绘制曲线。。我正在尝试曲线的多项式特征。我对我的问题做了一些更新。请看一看。。谢谢：）你不能简单地用蓝点的最大包络线和红点的最小包络线之间的平均值吗？（虽然不确定如何处理原始绘图中缺少的红点（x<3）和蓝点（x>5）实际上它们并没有丢失，但当图形拉长时可以看到它们。我在找一些等高线图。我可以使用倍频程绘制相同的曲线，因为我不熟悉python，所以我不知道如何处理。我不确定“它们没有丢失”是什么意思：除非x和y不是完整的数据集，否则y=1的点的横坐标都不小于3。