X值和Y值的二维等值线图

Question

我用下面的代码绘制了一个等高线图，它指示了SVC估计器在2D轴上的分离超平面。在

X,y= make_circles(n_samples=50,factor=.1,noise=.1)

x_fit=np.linspace(-1.5,1.5,10)
y_fit=np.linspace(-1.5,1.5,10)
Y,XX=np.meshgrid(x_fit,y_fit)

xy=np.vstack([XX.ravel(),Y.ravel()]).T

P=clf.decision_function(xy).reshape(XX.shape)
plt.contour(XX,Y,P,colors="k",levels=[-1,0,1],alpha=0.5,linestyles=["--","-","--"])

问题

基于this question和伊利亚诉舒罗夫的回答，对我来说还有一个问题。我知道，X和Y提供X和Y值，Z提供每个xy坐标的“深度”，因此必须是二维的。此外，X和Y值plt.轮廓（）函数可以是1D或2D（如果是1D，meshgrid在内部计算）。在

但是X和Y是2D的好处/原因是什么？ 因为实际上X和Y的“第二维度”不能在2D轴上绘制。那么，X和Y是2D的“算法性能”原因是什么还是什么原因？在

Answer 1

等高线图并不是专为Classifier绘制超平面而设计的。它表示具有二维格式的三维曲面；或绘制二维区域的高程。因此，plt.contour()必须以某种方式理解/了解覆盖整个区域的高程。一种方法或当前的方法是为覆盖二维区域的一组点提供一组高程。你提供的越多，最终的等高线图就越好。当提供一维x和y时，它表示一条线而不是一个区域，这不能用来插值二维区域。在

另一种绘制超平面的方法是自己计算精确的平面。然后可以使用一维线空间绘制超平面。但我不认为这会比使用plt.contour()更容易，因为plt.contour()通过插值模拟完成了艰难的计算。在

编辑：在plt.contour()中，Z如何与X和{}一起工作？在

对于Z与X和{}一起工作，需要一些假设。在

• 如果X和Y是二维的，Z中的值是由X和Y中的相应值（按索引相同位置）指定的点的深度。在
• 如果X和Y是一维的，它将首先转换为网格网格，如the source code所示。然后其余的工作方式与上面解释的一样。在

因此，对于您的具体情况，使用x_fit和{}可以得到相同的结果，因为plt.contour()为您生成了网格网格。只要你了解机制，任何一种方式都可以。我要说的唯一一件事是，如果您最终生成了用于计算P的网格，为什么不使用meshgrid来避免假设/歧义呢？在