Я думаю, что самым простым подходом было бы вычислить значения функции линейной регрессии, которая является функцией 2 параметров X[:, 0]
и X[:, 1]
, и использовать plt.contour(..., levels=[0.5])
для построения 2D-функции. Параметр levels
говорит мне, что такое граница решения, которую я установил посередине между метками 0 и 1. Затем он строит только одну линию - границу решения.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn import datasets
from sklearn.preprocessing import PolynomialFeatures
def plot_poly(X,labels, weights, initial, final, num):
plt.scatter(X[:, 0][labels==0], X[:, 1][labels==0], color='blue', marker = '.')
plt.scatter(X[:, 0][labels==1], X[:, 1][labels==1], color='red', marker = '.')
w = weights
xx1 = np.linspace(initial[0], final[0], num)
xx2 = np.linspace(initial[1], final[1], num)
z = np.zeros((num, num))
for i_x1, x1 in enumerate(xx1):
for i_x2, x2 in enumerate(xx2):
z[i_x2, i_x1] = \
w[0]*1 + \
w[1]*(x1) + w[2]*(x2) + \
w[3]*(x1**2) + w[4]*(x1*x2) + w[5]*(x2**2) + \
w[6]*(x1**3) + w[7]*(x1**2*x2) + w[8]*(x1*x2**2) + w[9]*(x2**3)
xx1, xx2 = np.meshgrid(xx1, xx2)
plt.contour(xx1, xx2, z, levels=[0.5])
# import some data to play with
iris = datasets.load_iris()
X_raw = iris.data[:, :2] # we only take the first two features.
Y = iris.target
# Use only 2 classes
X_raw = X_raw[(Y <= 1), :]
Y = Y[(Y <= 1)]
# Create poly features
poly = PolynomialFeatures(3)
X = poly.fit_transform(X_raw)
# Fit linear regression
linref = LinearRegression(fit_intercept=False)
linref.fit(X, Y)
# Plot
x_min, x_max = X_raw[:, 0].min() - .5, X_raw[:, 0].max() + .5
y_min, y_max = X_raw[:, 1].min() - .5, X_raw[:, 1].max() + .5
plot_poly(X_raw, Y, weights=linref.coef_, initial=[x_min, y_min], final=[x_max, y_max], num=60)