Deep-Learning-吴恩达-作业——关于plot_decision_boundary()函数的理解

2018-06-25 2018-06-25 view times

PS：看了一下午这个函数，真的是要把我高抓狂了，总算知道它在做什么了 ~ 哎，真累啊

1.得到最终的预测结果0或者1

#得到最终的预测结果0或者1
def predict_dec(parameters, X)
    """
    Used for plotting decision boundary.
    
    Arguments:
    parameters -- python dictionary containing your parameters 
    X -- input data of size (m, K)
    
    Returns
    predictions -- vector of predictions of our model (red: 0 / blue: 1)
    """
    
    # Predict using forward propagation and a classification threshold of 0.5
    a3, cache = forward_propagation(X, parameters)
    predictions = (a3>0.5)
    return predictions

2.划分格子-得到每个格点的坐标-对每个格点的值进行预测(作为颜色区分)-画边界线-加上训练数据的散点图

#划分格子-得到每个格点的坐标-对每个格点的值进行预测(作为颜色区分)-画边界线-加上训练数据的散点图
def plot_decision_boundary(model, X, y):
    # Set min and max values and give it some padding #生成网格x、y的范围，不是整幅图的范围
    x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1
    y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1
    h = 0.01
    
    # Generate a grid of points with distance h between them #生成网格矩阵
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))   
    #画格子图理解：1.xx返回每个格点的x坐标  2.yy返回的是每个格点的y坐标
    
    # Predict the function value for the whole grid
    Z = model(np.c_[xx.ravel(), yy.ravel()]) 
    #model()括号里的参数是每个格点的坐标  #model的功能得到对应格点的预测结果 0或者1
    Z = Z.reshape(xx.shape)   
    # Plot the contour and training examples
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) #找边界线
    plt.ylabel('x2')
    plt.xlabel('x1')
    plt.scatter(X[0, :], X[1, :],  c=np.squeeze(y), cmap=plt.cm.Spectral)
    plt.show()

1 2	#调用函数 plot_decision_boundary(lambda x: predict_dec(parameters, x.T), train_X, train_Y)

1. lambda函数-匿名函数

匿名函数冒号前面的x表示函数参数。匿名函数有个限制，就是只能有一个表达式，不用写return，返回值就是该表达式的结果

list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))

[1, 4, 9, 16, 25, 36, 49, 64, 81]

2. np.c_ 和 np.r_

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

c=np.c_[a,b]
d=np.r_[a,b]

我还是没有理解，简直喵了个咪的抓狂 ~

3. np.ravel和np.flatten

相同点：将多维数组降位一维

不同点：

numpy.flatten()返回的是拷贝，不会影响原始矩阵
numpy.ravel()返回的是view,通过ravel修改了矩阵，原来的矩阵会发生改变