使用Python Numpy和Matplotlib绘制决策边界-优快云博客

本文链接：https://blog.youkuaiyun.com/MachineLearner/article/details/104587288

本文介绍如何利用Python的Numpy和Matplotlib库来绘制机器学习中的决策边界曲线，通过实例代码详细解释了如何处理输入数据集，设置特征范围，以及使用plt.contourf绘制等高线图。同时，还展示了使用sklearn的逻辑回归模型来构建决策边界。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文将会直接给出代码，主要目的在于对代码进行解释，熟悉使用python的Numpy和matplotlib库绘制决策边界曲线，代码来自于https://blog.youkuaiyun.com/dengjiaxing0321/article/details/70545740。
代码如下

import numpy as np
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt
np.random.seed(0)
X, y = make_moons(200, noise=0.20)
plt.scatter(X[:,0], X[:,1], s=40, c=y, cmap=plt.cm.Spectral)
plt.show()

输入数据集X具有两个特征，y是类别输出标签（0|1），plt.scatter方法将X中第一列（第一个特征）和第二列（特征2）作为横纵坐标进行散点图绘制；
s=40，表示散点的大小为40，可以输入与样本数量相同的列表，表示不同点的不同大小；
c=y，c表示颜色，可以使用c='b’这样的命令将所有散点表示为同一颜色，也可以是一个与样本数量相同的序列，因为y中的取值有两个（0或1），散点根据y的索引表示为两种不同的颜色用以区分不用类别；
cmap表示Colormap实体或者是一个colormap的名字，cmap =
plt.cm.Spectral实现的功能是给label为1的点一种颜色，给label为0的点另一种颜色。