「」不同机器学习模型的决策边界（附代码）( 二 )

(plt1)/(plt2 + plt3)

本文插图
或者，我们可以将绘图重新布置为所需的任何方式，并通过以下方式进行绘图：
(plt1 + plt2) / (plt5 + plt6)

本文插图
我觉得这看起来不错。
目标
我的目标是建立一种分类算法，以区分这两个植物种类，然后计算决策边界，以便更好地了解模型如何做出此类预测。为了为每个变量组合创建决策边界图，我们需要数据中变量的不同组合。
var_combos %filter(!Var1 == Var2)var_combos %>%head() %>%kable(caption = ''Variable Combinations'', escape = F,, digits = 2) %>%kable_styling(bootstrap_options = c(''striped'', ''hover'', ''condensed'', ''responsive''), font_size = 9, fixed_thead = T, full_width = F) %>%scroll_box(width = ''100%'', height = ''200px'')【「」不同机器学习模型的决策边界（附代码）】

本文插图
接下来，我将用到以上不同的变量组合来创建列表（每个组合一个列表），并用合成数据（或每个变量组合的最小值到最大值的数据）给列表赋值。这将作为我们的合成测试数据，对其进行预测并建立决策边界。
需要注意的是这些图最终将是二维的，因此我们仅在两个变量上训练机器学习模型，但是对于这两个变量的每种组合而言，它们将是取boundary_lists data frame中的前两个变量。
boundary_lists %summarise(minX = min(.[[1]], na.rm = TRUE),maxX = max(.[[1]], na.rm = TRUE),minY = min(.[[2]], na.rm = TRUE),maxY = max(.[[2]], na.rm = TRUE))) %>%map(.,~tibble(x = seq(.x$minX, .x$maxX, length.out = 200),y = seq(.x$minY, .x$maxY, length.out = 200),)) %>%map(.,~tibble(xx = rep(.x$x, each = 200),yy = rep(.x$y, time = 200))) %>%map2(.,asplit(var_combos, 1), ~ .x %>%set_names(.y))我们可以看到前两个列表的前四个观察结果如何：
boundary_lists %>%map(., ~head(., 4)) %>%head(2)## [[1]]## # A tibble: 4 x 2##Sepal.Width Sepal.Length## ## 124.3## 224.31## 324.33## 424.34#### [[2]]## # A tibble: 4 x 2##Petal.Length Sepal.Length## ## 114.3## 214.31## 314.33## 414.34boundary_lists %>%map(., ~head(., 4)) %>%tail(2)## [[1]]## # A tibble: 4 x 2##Sepal.Width Petal.Width## ## 120.1## 220.109## 320.117## 420.126#### [[2]]## # A tibble: 4 x 2##Petal.Length Petal.Width## ## 110.1## 210.109## 310.117## 410.126训练时间
现在，我们已经建立了测试用模拟数据，我想根据实际观察到的观测值训练模型。我将使用到上面图中的每个数据点训练以下模型：