Limites de Decisão

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 8 de 58.

Uma fronteira de decisão é onde a resposta de um modelo muda. Para vê-la, pergunte ao modelo em cada ponto do gráfico, organizado como uma grade:

As 80 pimentas sobre uma grade de pequenos pontos. Cada ponto é colorido de acordo com a resposta do modelo naquele local: laranja para picante à esquerda, azul para suave à direita, encontrando-se ao longo de uma linha em degraus

np.meshgrid combina cada x com cada y. Transforme os pares em linhas, faça a previsão de todos eles e reorganize as respostas no formato da grade:

xx, yy = np.meshgrid(np.linspace(2, 16, 100), np.linspace(0.5, 6.5, 100))
grid = np.column_stack([xx.flatten(), yy.flatten()])
zz = model.predict(grid).reshape(xx.shape)
ax.contourf(xx, yy, zz, levels=[-0.5, 0.5, 1.5], colors=["C0", "C1"], alpha=0.3)

contourf preenche a área de cada código de classe: levels posiciona as bordas na metade do caminho entre os códigos, colors corresponde às cores dos pontos. Desenhe os pontos depois, por cima.

Desafio

Fácil

Uma máquina de venda automática separa moedas por tamanho e peso. O código inicial ajusta o k-NN usando coins.csv (códigos de classe de 0 a 2); draw_coins(ax) desenha as moedas.

Crie uma grade de 100 por 100 xx, yy: de 18 a 26 mm na horizontal, de 3 a 9 g na vertical.
Preveja cada ponto em zz, com o mesmo formato da grade.
Preencha o mapa, com cores de C0 a C2, depois desenhe as moedas e exiba.

Como esta:

Um mapa de separação de moedas: três regiões suaves, azul para 10c no canto inferior esquerdo, laranja para 5c no meio, verde para 25c à direita, cada uma com suas moedas por cima e uma legenda

Moedas de outro país, então as regiões são diferentes.

O Coddy descreve o seu mapa.

Experimente você mesmo

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier

# Uma linha para cada moeda medida pela máquina: diâmetro (mm), peso (g), valor em centavos
coins = pd.read_csv("coins.csv")
X = np.column_stack([coins["diameter_mm"], coins["weight_g"]])
# Códigos das classes: 0 para 10c, 1 para 20c, 2 para 50c
y = coins["value_c"].map({10: 0, 20: 1, 50: 2})
names = ["10c", "20c", "50c"]
model = KNeighborsClassifier(n_neighbors=5)
model.fit(X, y)


# Desenha as moedas em ax, uma cor por classe: C0, C1, C2
def draw_coins(ax):
    for code in range(3):
        ax.scatter(X[y == code, 0], X[y == code, 1], s=20, label=names[code])
    ax.legend()


fig, ax = plt.subplots()
ax.set_title("Coin Sorter Map")
ax.set_xlabel("Diameter (mm)")
ax.set_ylabel("Weight (g)")

# Escreva seu código abaixo