我正在尝试绘制高斯朴素贝叶斯分类器的决策面。然而，在训练分类器时我遇到了一些问题。我对机器学习也非常陌生。

首先，我生成100个随机点，其中一半点的坐标和标签不同。

for i in range(50):    point1.append([np.random.randint(50,80),np.random.randint(50,80)])    point1L.append(1)for i in range(50):    point2.append([np.random.randint(10,40),np.random.randint(10,70)])    point2L.append(0)

然后我对其进行训练。

clf = GaussianNB()clf.fit(point1,point1L)clf.fit(point2, point2L)

接着我遇到了一个问题。这里的分类器似乎无法区分这两个点。

print(clf.predict([np.random.randint(50,80),np.random.randint(50,80)]))print(clf.predict([np.random.randint(10,40),np.random.randint(10,70)]))

我得到的结果总是这样的：

[0][0]

我做错了什么，如何解决这个问题？

另外，我想知道是否可以直接从分类器本身绘制决策边界，而不需通过比较分类器在每个点的决策来绘制。

回答：

fit()方法应该只调用一次。你调用了fit方法两次，一次用于point1，一次用于point2。所以当你再次为point2调用fit()时，估计器会重置自己，只为point2L进行训练，而point2L的值为0。这就是为什么你的预测结果总是0。首先将point1和point2合并成一个新矩阵（标签也一样），然后在新矩阵上调用fit方法。