建立在给定概率函数的情况下绘制贝氏决策边界的函数

Question

如果我们输入一个函数给python绘制贝叶斯决策边界，是否有函数？我知道有一个在matlab中，但我在python中寻找一些函数。我知道实现这一点的一种方法是迭代点，但我正在寻找一个内置函数。 我在轴上有双变量采样点，我想绘制决策边界以对它们进行分类。

Answer 1

在上面的评论中，假设您想要根据高斯混合模型对点进行聚类 - 假设底层分布是高斯分布样本的线性组合，则是一个合理的方法。下面我用一个numpy的示例创建了一个示例数据集，sklearn用于GM建模，pylab用于显示结果。

import numpy as np 
from pylab import * 
from sklearn import mixture 

# Create some sample data 
def G(mu, cov, pts): 
    return np.random.multivariate_normal(mu,cov,500) 

# Three multivariate Gaussians with means and cov listed below 
MU = [[5,3], [0,0], [-2,3]] 
COV = [[[4,2],[0,1]], [[1,0],[0,1]], [[1,2],[2,1]]] 

A = [G(mu,cov,500) for mu,cov in zip(MU,COV)] 
PTS = np.concatenate(A) # Join them together 

# Use a Gaussian Mixture model to fit 
g = mixture.GMM(n_components=len(A)) 
g.fit(PTS) 

# Returns an index list of which cluster they belong to 
C = g.predict(PTS) 

# Plot the original points 
X,Y = map(array, zip(*PTS)) 
subplot(211) 
scatter(X,Y) 

# Plot the points and color according to the cluster 
subplot(212) 
color_mask = ['k','b','g'] 
for n in xrange(len(A)): 
    idx = (C==n) 
    scatter(X[idx],Y[idx],color=color_mask[n]) 
show() 

有关分类方法的更详细信息，请参阅sklearn.mixture example页。