现在讲下决策边界(decision boundary)的概念。这个概念能更好地帮助我们理解逻辑回
归的假设函数在计算什么。
在逻辑回归中，我们预测：
当???(??) >= 0.5时，预测 ?? = 1。
当???(??) < 0.5时，预测 ?? = 0 。
根据上面绘制出的 S 形函数图像，我们知道当
?? = 0 时 ??(??) = 0.5
?? > 0 时 ??(??) > 0.5
?? < 0 时 ??(??) < 0.5
又 ?? = ?????? ，即：
?????? >= 0 时，预测 ?? = 1
?????? < 0 时，预测 ?? = 0
现在假设我们有一个模型：
并且参数?? 是向量[-3 1 1]。 则当?3 + ??1 + ??2 ≥ 0，即??1 + ??2 ≥ 3时，模型将预测 ?? =
1。 我们可以绘制直线??1 + ??2 = 3，这条线便是我们模型的分界线，将预测为1 的区域和预
测为 0 的区域分隔开。
假使我们的数据呈现这样的分布情况，怎样的模型才能适合呢？
因为需要用曲线才能分隔 ?? = 0 的区域和 ?? = 1 的区域，我们需要二次方特征：
是[-1 0 0 1 1]，则我们得到的判定边界恰好是圆
点在原点且半径为1 的圆形。
我们可以用非常复杂的模型来适应非常复杂形状的判定边界。
吴恩达机器学习笔记16-决策边界(decision boundary)
原文：https://www.cnblogs.com/sl0309/p/10390705.html