Как создать границу решения регрессии с помощью matplotlib?

Question

Как добавить графическую регрессию к моей диаграмме рассеяния? Мне нужны цветные зоны 0/1, которые определяют границу решения классификатора.

import pandas as pd 
import numpy as np 
import pylab as pl 
import statsmodels.api as sm 

# Build X, Y from file 
f = open('ex2data2.txt') 
lines = f.readlines() 
x1 = [] 
x2 = [] 
y = [] 
for line in lines: 
    line = line.replace("\n", "") 
    vals = line.split(",") 
    x1.append(float(vals[0])) 
    x2.append(float(vals[1])) 
    y.append(int(vals[2])) 

x1 = np.array(x1) 
x2 = np.array(x2) 
y = np.array(y) 

x = np.vstack([x1, x2]).T 

# Scatter plot 0/1s 
pos_mask = y == 1 
neg_mask = y == 0 
pos_x1 = x1[pos_mask] 
neg_x1 = x1[neg_mask] 
pos_x2 = x2[pos_mask] 
neg_x2 = x2[neg_mask] 
pl.clf() 
pl.scatter(pos_x1, pos_x2, c='r') 
pl.scatter(neg_x1, neg_x2, c='g') 

# Run logistic regression 
logit = sm.Logit(y, x) 
result = logit.fit() 
result.params 
result.predict([1.0, 1.0]) 

# Now I want to add a countour for 0/1 regression results to the scatter plot. 

Answer 1

Я попытаюсь ответить, но есть несколько предположений вы должны понять мой ответ, который может или не может применяться к коду:

моего импорта:

import numpy as np 
import matplotlib.pyplot as plt 
from matplotlib.colors import ListedColormap 

X содержит свои особенности это выглядит следующим образом:

print type(X) 
<type 'numpy.ndarray'> 

это 102,2, как шо шп:

print X 
[[-13.15490196 -23.  ] 
[-22.95490196 -25.  ] 
[-12.75490196 -8.  ] 
[ 0.14509804 -6.  ] 
. 
. 
. 

ytrain содержит заземляющую истину, которая в данном случае является логическим значением, но вы могли бы сделать 0/1 так же.

print type(ytrain) 
<type 'numpy.ndarray'> 

Это 51,

print (train) 
[False False False False True True True True True True False True 
False True True True False False False True True True True True 
False False False False True True True True True True False True 
False True True True False False False False False True True True 
False True False] 

и, наконец, clf содержит модель, в моем случае подогнанной модели Кроме того, я использую логистическую регрессию из scikit узнать, это зависит от моей clf.predict_proba предоставления информации Мне нужно создать ярлыки и контуры. Я не знаком с точной упаковкой , которую вы используете, но просто помните об этом.

# evenly sampled points 
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5 
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5 
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 50), 
        np.linspace(y_min, y_max, 50)) 
plt.xlim(xx.min(), xx.max()) 
plt.ylim(yy.min(), yy.max()) 

#plot background colors 
ax = plt.gca() 
Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1] 
Z = Z.reshape(xx.shape) 
cs = ax.contourf(xx, yy, Z, cmap='RdBu', alpha=.5) 
cs2 = ax.contour(xx, yy, Z, cmap='RdBu', alpha=.5) 
plt.clabel(cs2, fmt = '%2.1f', colors = 'k', fontsize=14) 

# Plot the points 
ax.plot(Xtrain[ytrain == 0, 0], Xtrain[ytrain == 0, 1], 'ro', label='Class 1') 
ax.plot(Xtrain[ytrain == 1, 0], Xtrain[ytrain == 1, 1], 'bo', label='Class 2') 

# make legend 
plt.legend(loc='upper left', scatterpoints=1, numpoints=1) 

Ваш результат будет выглядеть примерно так: