分类的决策边界问题

在机器学习中，分类问题的决策边界是一个超平面，用于将不同类别的数据点分开。决策边界可以用各种算法确定，如逻辑回归、支持向量机和决策树等。以下是使用逻辑回归算法确定决策边界的示例代码：

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

# 生成数据
np.random.seed(0)
X = np.random.randn(200, 2)
y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

# 训练模型
model = LogisticRegression()
model.fit(X, y)

# 画出决策边界
plt.scatter(X[:, 0], X[:, 1], c=y)
x_min, x_max = plt.xlim()
y_min, y_max = plt.ylim()
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contour(xx, yy, Z, levels=[0])
plt.show()

此代码使用逻辑回归算法训练一个模型，并使用matplotlib绘制出数据点和决策边界。