如何在Python中顯示線性回歸的三階多項式邊界線？

Question

假設我有一個mx 2數據集X並對其進行線性回歸以找到權重集W。 還假設我通過三階多項式運算符P（（x1，x2））=（1，x1，x2，x1 ^ 2，x1 * x2，x2 ^ 2，x1 ^ 3，x1 ^ 2 * x2，x1來轉換數據* x2 ^ 2，x2 ^ 3） ，並對轉換后的數據進行線性回歸並找到權重集w 。

我的目標是復制此類圖。

我知道如何在左側繪制線，但是我不確定如何顯示三階多項式。

我的想法是：

plot_poly(X,labels, weights, initial, final, num):
    plt.scatter(X[:, 0][labels=='Blue'], X[:, 1][labels=='Blue'], color='blue', marker = '.')
    plt.scatter(X[:, 0][labels=='Red'], X[:, 1][labels=='Red']], color='red', marker = '.')
    w = weights
    x = np.linspace(initial, final, num)
    y = w[0]*1 + w[1]*(x) + w[2]*(x) + w[3]*(x**2) + w[4]*(x**2) + \
        w[5]*(x**2) + w[6]*(x**3) + w[7]*(x**3) + w[8]*(x**3) + \
        w[9]*(x**3)
    plt.plot(x,y)

但是，當我嘗試執行此操作時，它似乎失敗了，特別是垂直軸變得如此之大，以至於數據會收縮並且多項式與數據不相近（下圖）。 是否有更好的方法來繪制此圖？

Answer 1

我認為最簡單的方法是計算線性回歸函數的值，該函數是2個參數X[:, 0]和X[:, 1]函數，並使用plt.contour(..., levels=[0.5])繪制2D函數。 參數levels告訴我什么是決策邊界，我將其設置在標簽0和1之間的中間位置。然后它僅繪制一條線-決策邊界。

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)

Answer 2

幾點

• 看起來您想進行分類，我將使用邏輯回歸而不是線性回歸
• 您想繪制2D函數-您可以使用plt.pcolormesh ， plt.contourf ， plt.contour或類似的plt.contour

這是我更改為使用多項式特征的sklearn示例

# Code source: Gaël Varoquaux
# Modified for documentation by Jaques Grobler
# License: BSD 3 clause

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.preprocessing import PolynomialFeatures

# 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

poly = PolynomialFeatures(3)
X = poly.fit_transform(X_raw)

logreg = LogisticRegression(C=1e5, solver='lbfgs', multi_class='multinomial')

# we create an instance of Neighbours Classifier and fit the data.
logreg.fit(X, Y)

# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, x_max]x[y_min, y_max].
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
h = .02  # step size in the mesh
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
X_plot_raw = np.c_[xx.ravel(), yy.ravel()]
X_plot = poly.transform(X_plot_raw)
Z = logreg.predict(X_plot)

# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)

# Plot also the training points
plt.scatter(X_raw[:, 0], X_raw[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())

plt.show()