邱锡鹏nndl学习笔记2——logistic regression

jinger0509

于 2021-10-29 22:40:42 发布

阅读量292

点赞数 1

CC 4.0 BY-SA版权

分类专栏：笔记文章标签：机器学习 python 人工智能

本文链接：https://blog.csdn.net/jinger0509/article/details/121044225

笔记专栏收录该内容

3 篇文章

订阅专栏

该博客展示了一个用于数据可视化的Python代码示例，使用matplotlib库绘制了正样本和负样本的散点图，并通过梯度上升算法获取的权重描绘了最佳拟合直线。代码首先加载数据集，将数据转换为numpy数组，然后根据标签将样本分类，最后绘制图形并显示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

def plotBestFit(weights):
    dataMat, labelMat = loadDataSet()                                    #加载数据集
    dataArr = np.array(dataMat)                                            #转换成numpy的array数组
    n = np.shape(dataMat)[0]                                            #数据个数
    xcord1 = []; ycord1 = []                                            #正样本
    xcord2 = []; ycord2 = []                                            #负样本
    for i in range(n):                                                    #根据数据集标签进行分类
        if int(labelMat[i]) == 1:
            xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])    #1为正样本
        else:
            xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2])    #0为负样本
    fig = plt.figure()
    ax = fig.add_subplot(111)                                            #添加subplot
    ax.scatter(xcord1, ycord1, s = 20, c = 'red', marker = 's',alpha=.5)#绘制正样本
    ax.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5)            #绘制负样本
    x = np.arange(-3.0, 3.0, 0.1)
    y = (-weights[0] - weights[1] * x) / weights[2]
    ax.plot(x, y)
    plt.title('BestFit')                                                #绘制title
    plt.xlabel('X1'); plt.ylabel('X2')                                    #绘制label
    plt.show()       
 
if __name__ == '__main__':
    dataMat, labelMat = loadDataSet()           
    weights = gradAscent(dataMat, labelMat)
    plotBestFit(weights)