sigmoid函数用Python画图

可以使用Python的NumPy和Matplotlib库来画sigmoid函数的图像。

首先，导入需要的库：

import numpy as np
import matplotlib.pyplot as plt

然后，定义sigmoid函数：

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

接着，生成x的取值范围，可以使用numpy的`linspace`函数：

x = np.linspace(-10, 10, 1000)

最后，画出sigmoid函数的图像：

plt.plot(x, sigmoid(x))
plt.xlabel('x')
plt.ylabel('sigmoid(x)')
plt.title('Sigmoid Function')
plt.show()

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

x = np.linspace(-10, 10, 1000)

plt.plot(x, sigmoid(x))
plt.xlabel('x')
plt.ylabel('sigmoid(x)')
plt.title('Sigmoid Function')
plt.show()

相关问题

用python画一个sigmoid函数

用Python来画一个sigmoid函数，可以使用matplotlib库。具体步骤如下：1.导入matplotlib库：import matplotlib.pyplot as plt2.准备数据：x = np.arange(start=-10, stop=10, step=0.1)3.定义sigmoid函数：def sigmoid(x): return 1/(1+np.exp(-x))4.计算y值：y = sigmoid(x)5.画图：plt.plot(x,y)6.显示图片：plt.show()

logistic回归python画图

下面是使用Python绘制逻辑回归决策边界的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义sigmoid函数
def sigmoid(z):
    return 1 / (1 + np.exp(-z))

# 定义绘制决策边界的函数
def plot_decision_boundary(theta, X, y):
    # 绘制散点图
    plt.scatter(X[:, 1], X[:, 2], c=y, cmap=plt.cm.Paired)
    
    # 定义x轴范围
    x1_min, x1_max = X[:, 1].min() - .5, X[:, 1].max() + .5
    
    # 定义y轴范围
    x2_min, x2_max = X[:, 2].min() - .5, X[:, 2].max() + .5
    
    # 定义网格点
    xx1, xx2 = np.meshgrid(np.linspace(x1_min, x1_max, 100), np.linspace(x2_min, x2_max, 100))
    
    # 计算z值
    z = sigmoid(np.c_[np.ones((xx1.ravel().shape[0], 1)), xx1.ravel(), xx2.ravel()].dot(theta))
    z = z.reshape(xx1.shape)
    
    # 绘制等高线
    plt.contour(xx1, xx2, z, levels=[.5], cmap="Greys", vmin=0, vmax=.6)

# 读取数据
data = np.loadtxt("data.txt", delimiter=",")
X = data[:, :-1]
y = data[:, -1]

# 绘制决策边界
theta = [-25.161, 0.206, 0.201]
plot_decision_boundary(theta, X, y)

# 显示图像
plt.show()

其中，`data.txt`是一个二维数据集，第一列是$x_1$，第二列是$x_2$，第三列是标签$y$。`theta`是逻辑回归的参数，可以通过梯度下降等算法求解得到。运行上述代码，即可绘制出逻辑回归的决策边界。