你把单做一个的代码贴出来，我可以帮你合到一个图上。
先看结果：
然后贴代码：
导包和def函数还用原来的；
从可视化开始换成下面：
Ex=[0,0.125,0.25,0.375,0.5,0.625,0.75,0.875,1]
fig = plt.figure()
for i in Ex:
res=forwardCloud(i,0.04,0.005,1000)
x=[x[0] for x in res]
y=[x[1] for x in res]
plt.scatter(x,y,color='red',s=3)
plt.show()
希望可以帮到你
GDA方法与Logistic方法的主要区别在于这两个模型的假设不同：GDA方法假设p(x|y)服从多元高斯分布，并且输入特征是连续的；Logistic方法并没有GDA那么强的假设，它既没有要求p(x|y)服从多元高斯分布，也没有要求输入特征是连续的。因此Logistic的适用范围比GDA更加广泛。例如：如果输入特征符合泊松分布，则Logistic得到的结果会比GDA更加准确。如果输入特征满足GDA的要求时，既可以用Logistic方法也可以用GDA，但是在这种情况下GDA得到的结果会比Logistic方法得到的结果准确些。下面给出GDA和Logistic方法的简要说明，最后给出相应的 python代码。GDA是一种生成学习法，主要利用贝叶斯准则得到后验分布律，然后通过最大后验分布对输入数据进行分类。简单地说，也就是在给定某个特征情况下，拥有此特征的数据属于哪个类的概率大 就属于哪个类。GDA的优势：由于有高斯分布的先验信息，如果确实符合实际数据，则只需要少量的样本就可以得到较好的模型。
Logistic是一种判别想学习法，判别学习法通过建立输入数据与输出信息之间的映射关系学得p(y|x)，这个与生成学习法是不同的。在生成学习法中首先要确定p(x|y)和p(y)。Logistic主要是通过sigmoid函数来确定输入数据及是将如何进行分类的。Logistic的优势：具有更高的鲁棒性和对数据的分布不明感(不想GDA那样需要特征服从高斯分布)。
下面是具体的python代码：
一、GDA模型的python代码：
点击(此处)折叠或打开
def GDA(dataIn, classLabel):
m = len(classLabel)
sum_1 = sum(classLabel)
q = sum_1/(float(m))
notLabel = ones((len(classLabel),),dtype=int)-array(classLabel)
row,col = shape(dataIn)
y0x = y1x = mat(zeros(col))
for i in range(m):
y0x += mat(dataIn[i])*notLabel[i]
y1x += mat(dataIn[i])*classLabel[i]
mean_0 = y0x/(m-sum_1)
mean_1 = y1x/sum_1
correlation = 0
for i in range(m):
correlation += (mat(dataIn[i]-mean_0)).T*(mat(dataIn[i]-mean_0))*notLabel[i] \
+(mat(dataIn[i]-mean_1)).T*(mat(dataIn[i]-mean_1))*classLabel[i]
correlation = correlation/m
return q,mean_0,mean_1,correlation
def calculate_pxy0(x,n=2):
return ((2*math.pi)**(-n/2))*(linalg.det(correlation)**(-0.5))*exp(-0.5*(x-mean_0).T*correlation.I*(x-mean_0))
def calculate_pxy1(n=2):
return ((2*math.pi)**(-n/2))*(linalg.det(correlation)**(-0.5))*exp(-0.5*(x-mean_1).T*correlation.I*(x-mean_1))
def GDAClass(testPoint,dataIn,classLabel):
import math
x = testPoint
q,mean_0,mean_1,correlation = GDA(dataIn,classLabel)
n=shape(dataIn)[0]
py0 = 1-q
py1 = q
pxy0 = calculate_pxy0(x,n)
pxy1 = calculate_pxy1(x,n)
if pxy0*py0 >pxy1*py1:
return 0
return 1
二、Logistic模型的python代码：
点击(此处)折叠或打开
def sigmoid(w,x):
return 1/(1+exp(-w*x))
def logisticRegression(xMat,yMat,maxCycles = 500):
'''
ones((m,n)): 产生m维的向量，且每个值为n
'''
col = shape(xMat)[1]
weight = ones((col,1))
alpha = 0.001
for j in range(maxCycles):
h = sigmoid(weight,xMat)
err = (yMat-h)
weight += alpha*xMat.transpose*err
return weight
