绘制逻辑回归非标度值

Question

我是 Python 和一般编程的新手。我正在上一门关于逻辑回归的课程。下面的代码是正确的，并且绘图相对不错（不是那么漂亮，但还可以）：

# ------ LOGISTIC REGRESSION ------ #

# --- Importing the Libraries --- #

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from matplotlib.colors import ListedColormap

# --- Importing the Dataset --- #

path = '/home/bohrz/Desktop/Programação/Machine Learning/Part 3 - ' \
       'Classification/Section 14 - Logistic Regression/Social_Network_Ads.csv'
dataset = pd.read_csv(path)
X = dataset.iloc[:, 2:4].values
y = dataset.iloc[:, -1].values

# --- Splitting the Dataset into Training and Test set --- #

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25,
                                                    random_state=0)

# --- Feature Scaling --- #

sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)

# --- Fitting the Logistic Regression Model to the Dataset --- #

classifier = LogisticRegression(random_state=0)
classifier.fit(X_train, y_train)

# --- Predicting the Test set results --- #

y_pred = classifier.predict(X_test)

# --- Making the Confusion Matrix --- #

cm = confusion_matrix(y_test, y_pred)

# --- Visualizing Logistic Regression results --- #

# --- Visualizing the Training set results --- #

X_set_train, y_set_train = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set_train[:, 0].min(),
                               stop=X_set_train[:, 0].max(), step=0.01),
                     np.arange(start=X_set_train[:, 1].min(),
                               stop=X_set_train[:, 1].max(), step=0.01))

# Building the graph contour based on classification method
Z_train = np.array([X1.ravel(), X2.ravel()]).T
plt.contourf(X1, X2, classifier.predict(Z_train).reshape(X1.shape), alpha=0.75,
                                                         cmap=ListedColormap(
                                                             ('red', 'green')))

# Apply limits when outliers are present
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())

# Creating the scatter plot of the Training set results
for i, j in enumerate(np.unique(y_set_train)):
    plt.scatter(X_set_train[y_set_train == j, 0], X_set_train[y_set_train == j,
                                                              1],
                c=ListedColormap(('red', 'green'))(i), label=j)

plt.title('Logistic Regression (Trainning set results)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

我的问题是：如何绘制没有比例的结果？我尝试在代码中的几个地方使用 invert_transform() 方法，但没有帮助。

提前谢谢你。

Answer 1

您的任务只是跟踪缩放和非缩放数据。

虽然没有详细分析您的代码，但基本思想只是：查看缩放/未缩放值的使用位置，并根据需要进行调整！

• 答：训练后，我们不再需要缩放后的 X，所以让我们将所有内容都转换回来
• B：但是那种情节是在一些 np.mesh 上使用分类器，它本身是由未缩放的数据创建的，所以我们需要再次使用那里的转换器
• C: 注意：基于网格的方法是创建一个密集的网格，如果在保持步长的同时边界发生变化，您的 PC 会因内存消耗而崩溃
  • 这个实际上可以调整（不确定原始值来自哪里），因为情节会发生细微的变化

因此需要的更改是：

答：

y_pred = classifier.predict(X_test)  # YOUR CODE
X_train = sc_X.inverse_transform(X_train) # transform back
X_test = sc_X.inverse_transform(X_test)   # """

C:

X1, X2 = np.meshgrid(np.arange(start=X_set_train[:, 0].min(),
                               stop=X_set_train[:, 0].max(), step=10.), #!!! 0.01 ),
                     np.arange(start=X_set_train[:, 1].min(),
                               stop=X_set_train[:, 1].max(), step=0.1)) #!!! 0.01))

乙：

Z_train = np.array([X1.ravel(), X2.ravel()]).T
plt.contourf(X1, X2, classifier.predict(sc_X.transform(Z_train)).reshape(X1.shape),  # TRANFORM Z
                                    alpha=0.75,
                                    cmap=ListedColormap(
                                    ('red', 'green')))

虽然原始图显示了一条混叠的直线（精细的楼梯图案），但现在我们看到了一些不同的东西。我将把它留给感兴趣的读者（它与缩放有关！）。