построение графика нелинейной границы решения - PullRequest
Новая
       14

построение графика нелинейной границы решения

0 голосов
/ 30 ноября 2018
  • данные можно найти здесь: ex2data2.txt
  • Я не уверен, какой вызов plt.contour () мне следует использовать для воспроизведения этого.

  • соответствующий вызов функции Matlab будет выглядеть следующим образом: 

    contour(u, v, z, [0, 0], 'LineWidth', 2)

  • Я пытаюсь построить границу решения для нелинейной логистической регрессии, как показано на следующем рисункеenter image description here

    import scikitplot.plotters as skplt
import matplotlib.pyplot as plt
import numpy as np 
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn import metrics
from ggplot import *
import time

def mapFeature(X1, X2, df=True):
    """
        X1, X2: dtype = pd.DataFrame, float, int 
            either a single value or a vector of values
        df    : dtype = boolean
            whether it's a single scalar value or a vector of values
        ----------
        Return: dtype = m row vector or m x n vector of feature values
            Calculates each feature and returns its value
    """ 
    # add a column of ones for intercept parameter
    out = pd.DataFrame({'1':np.ones(X1.size)})
    # max 6th degree polynomial
    for i in range(1,7):
        for j in range(i+1):
            # all the combinations of polynomials up to 7th degree 
            value = (X1**(i-j))*(X2**j)
            col_name = 'X1**{} * X2**{}'.format(i-j, j)
            # When we give a vector with only one dimension, we need to specify 
            # whether to add it as a column or a row. 0 denotes adding a row, 
            # and 1 would be a column. 
            if df:
                out = out.join(pd.DataFrame({col_name: value}))
            else:
                out = out.join(pd.DataFrame({col_name: value}, index=[0]))
    return out
if __name__ == '__main__':

    data = pd.read_csv('ex2data2.txt', header=None,
                        names=['Test1', 'Test2', 'Pass'])

    X = data.iloc[:, :2]
    y = data.iloc[:,2]
    X = mapFeature(X.iloc[:,0], X.iloc[:,1])
    clf = LogisticRegression().fit(X, y)
    theta = clf.coef_

    u = np.linspace(start, end, 30)
    v = np.linspace(start, end, 30)
    uu, vv = np.meshgrid(u, v)
    z = np.zeros((30, 30))
    for i in range(30):
        for j in range(30):
            z[i,j] = mapFeature(u[i], v[i], df=False).values.dot(theta.T)

    plt.contour(uu, vv, z, [0])
    plt.show()
...