Блог

Я пытаюсь реализовать модель нейронной сети с использованием numpy с набором данных, загруженным с помощью sklearn make_moons , и все функции заданы. При создании моего набора данных я использовал a random_state , чтобы входные данные не менялись.

После обучения своей модели я пытаюсь построить границы принятия решений для своих прогнозов и вижу, что точки входных данных отличаются от той, которую я создал. Ниже приведено то, что я сделал.

 X, y = datasets.make_moons(200, noise=0.30, random_state=8)
plt.scatter(X[:,0], X[:,1], c=y, cmap=plt.cm.Spectral)
 

Приведенный выше код дает мне этот сюжет.

Я пытаюсь построить границу принятия решения, используя приведенный ниже код, который взят у проф. Курс глубокого обучения Ng.

 def plot_decision_boundary(model, X, y):
    print(X.shape)
    print(y.shape)
    # Set min and max values and give it some padding
    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
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
    # Predict the function value for the whole grid
    Z = model(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    # Plot the contour and training examples
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.scatter(X[0, :], X[1, :], c=y[0,:], cmap=plt.cm.Spectral)
 

Это дает мне следующий сюжет.

Очевидно, что входные точки отличаются от приведенного выше графика. Я в замешательстве, как это происходит. Полный код реализации можно найти здесь. Может ли кто-нибудь помочь мне с ошибкой, которую я делаю, или с кодом, который изменяет ввод.