logistci回归的列线图代码

以下是使用Python编写的Logistic回归的列线图的示例代码：

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

# 创建一个虚拟的二维数据集
# 假设我们有两个特征，X1和X2，以及两个类别，0和1
X = np.array([[1, 3], [2, 5], [3, 4], [4, 2], [5, 1], [6, 3], [7, 4], [8, 6], [9, 7], [10, 5]])
y = np.array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])

# 使用Logistic回归模型拟合数据
model = LogisticRegression()
model.fit(X, y)

# 生成模型的预测结果
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1

xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01),
                     np.arange(y_min, y_max, 0.01))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# 绘制列线图
plt.figure(figsize=(10, 6))
plt.contourf(xx, yy, Z, alpha=0.8, cmap=plt.cm.RdYlBu)

# 绘制训练数据的散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdYlBu_r, edgecolors='k')
plt.xlabel("X1")
plt.ylabel("X2")
plt.title("Logistic Regression Decision Boundary")

# 显示图形
plt.show()

这段代码首先创建了一个虚拟的二维数据集`X`和对应的类别`y`。然后，使用`LogisticRegression`类来拟合数据。接下来，通过生成预测结果，绘制等高线图来显示分类边界。最后，使用散点图显示训练数据的分布情况，并添加标题和坐标轴标签。运行代码后，将会显示一个绘制了Logistic回归列线图的窗口。