绘制逻辑回归决策边界scatter()报s参数多值/参数过多错误求解

两个报错均为scatter函数传入参数的维度不匹配导致：

1. 第一个multiple values for argument 's'报错：前序位置参数数量错误，导致s被同时作为位置参数、关键字参数重复传入。
2. 第二个1715 were given报错：错误解包了形状为(1715,2)的数组，相当于把1715个长度为2的一维数组都作为位置参数传给了scatter，超出参数数量限制。

具体修复代码 #

仅需修改两行scatter代码，根据你的X类型选择对应写法：
如果X是numpy数组：

# 确保转置操作和解包符*都保留
plt.scatter(*X[y==0].T, s=8, alpha=0.5)
plt.scatter(*X[y==1].T, s=8, alpha=0.5)

如果X是pandas DataFrame：

# 先转成numpy数组再转置解包
plt.scatter(*X[y==0].to_numpy().T, s=8, alpha=0.5)
plt.scatter(*X[y==1].to_numpy().T, s=8, alpha=0.5)

调整后即可正常绘制散点和决策边界。

2维平面只能呈现两个特征维度下的决策边界，超过2维的特征无法直接绘制平面边界，可采用以下两种方案处理：

• 方案1：选取最重要的2个特征绘图
  逻辑回归的特征重要性可以直接通过训练后模型的coef_绝对值判断，绝对值越大的特征对分类结果的影响越大。你可以先拿到所有特征的权重，取权重最大的两个特征，从原始数据中提取这两列后按照现有逻辑绘图即可，呈现的是核心特征维度下的模型分类效果。
• 方案2：降维后绘图
  如果你想保留所有特征的信息，可以先通过PCA、t-SNE等降维算法，把所有高维特征映射到2维空间，用降维后的2维特征训练逻辑回归模型，再按照现有逻辑绘制决策边界，这种方式呈现的是全量特征压缩后的分类效果。

内容的提问来源于stack exchange，提问作者user15601343