以下代码中使用什么公式计算 ys？

【问题标题】：What formula is being used to calculate ys in the following code?以下代码中使用什么公式计算 ys？
【发布时间】：2019-07-25 22:01:19
【问题描述】：

我无法理解预测 ys 以绘制图形的公式。

怎么会是ys = (-theta[0] - theta[1] * xs) / theta[2]？

fig, axes = plt.subplots(1, 3, sharex=True, sharey=True, figsize=(12, 3))
axes = axes.ravel()

for k, theta in enumerate(tha[:3]):
    ax = axes[k]
    xs = np.arange(0, 1, 0.1)
    ys = (-theta[0] - theta[1] * xs) / theta[2]
    ax.plot(xs, ys, lw=0.5)
    dfa.query('label ==  1').plot.scatter(x='x1', y='x2', ax=ax, color='blue')
    dfa.query('label == -1').plot.scatter(x='x1', y='x2', ax=ax, color='red')

【问题讨论】：

你能指定你的 thetas 来自哪里吗？
theta_0、theta_1 和 theta_2 是模型训练参数。
我明白了，您能提供有关模型的更多详细信息吗？
在这个网站上：gtraskas.github.io/post/ex2 在评估逻辑回归部分下，他们使用了相同的公式（即 plot_y = -(theta[0] + theta[1] * plot_x ) / theta[2] ) 用于预测 y。但如果从哪里来？
用截图给你一些解释。对不起我的英语不好。如果需要可以为您提供一些额外的链接。

标签： python machine-learning logistic-regression

【解决方案1】：

这里你不要预测ys，在公式中xs和ys都是你的特征，所以最好将它们命名为x1和x2。

这两个公式都定义了相同的决策边界：

ys = (-theta[0] - theta[1] * xs) / theta[2]
theta[2] * ys = (-theta[0] - theta[1] * xs)

但要绘制边界，您应该定义一个特征与另一个特征。

所以这里ys 不是你的预测，你的预测是标志这个表达式取决于 xs 和 ys 两个特征：

 theta[0] + theta[1] * xs + theta[2] * ys

在图上，这条线将您的点分为两组。我附上了您描述的链接中的屏幕截图。

【讨论】：