python - Sklearn SVM 给出错误的决策边界

Question

我在代码中使用 Sklearn 的 SVC，并使用 mlxtendplot_decision_regions 函数绘制它。请看下面的代码，我的数据是简单的2D点。决策函数的图没有意义，因为边界比另一类更接近一个类。我做/解释有什么错误吗？

import numpy
from sklearn.svm import SVC
import matplotlib.pyplot as plt
from mlxtend.plotting import plot_decision_regions


f = np.array([[1, 1], [0, 0]])

labels = np.array([1, 0])

model = SVC(kernel='linear')
model.fit(f, labels)

plot_decision_regions(X=f, y=labels, clf=model, legend=2)
plt.ylim([-1, 2])
plt.xlim([-1, 2])
plt.xlabel('feature 1')
plt.ylabel('feature 2')
plt.show()

该数据的结果看起来是四四方方的，如下所示: with data from case 1

如果我将数据 f 更改为: np.array([[1, 1], [0, 0], [1, 0], [0, 1]])和标签: np.array([1, 0, 0, 1])

结果如下: With data from case 2

是因为我使用的绘图库吗？

Answer 1

plot_decision_regions 中似乎存在一些错误。

让我们使用plot_svc_decision_boundary handson-ml

import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt

def plot_svc_decision_boundary(svm_clf, xmin, xmax):
    w = svm_clf.coef_[0]
    b = svm_clf.intercept_[0]

    # At the decision boundary, w0*x0 + w1*x1 + b = 0
    # => x1 = -w0/w1 * x0 - b/w1
    x0 = np.linspace(xmin, xmax, 200)
    decision_boundary = -w[0]/w[1] * x0 - b/w[1]

    margin = 1/w[1]
    gutter_up = decision_boundary + margin
    gutter_down = decision_boundary - margin

    svs = svm_clf.support_vectors_
    plt.scatter(svs[:, 0], svs[:, 1], s=180, facecolors='#FFAAAA')
    plt.plot(x0, decision_boundary, "k-", linewidth=2)
    plt.plot(x0, gutter_up, "k--", linewidth=2)
    plt.plot(x0, gutter_down, "k--", linewidth=2)


f = np.array([[1, 1], [0, 0]])

labels = np.array([1, 0])

svm_clf = SVC(kernel='linear')
svm_clf.fit(f, labels)

plot_svc_decision_boundary(svm_clf, -1, 2.0)
plt.ylim([-1, 2])
plt.xlim([-1, 2])
plt.xlabel('feature 1')
plt.ylabel('feature 2')
plt.scatter(f[0, 0], f[0, 1], marker='^', s=80)
plt.scatter(f[1, 0], f[1, 1], marker='s', s=80)
plt.show()