根本原因是数据未归一化或网格点过稀疏：特征尺度差异导致权重偏差、等高线扭曲，50点网格造成锯齿；应标准化特征并用200点网格，以predict_proba输出概率后contourf绘图。
为什么 plot_decision_boundary 画不出清晰的决策边界？
根本原因往往是数据没归一化，或网格点太稀疏。逻辑回归对特征尺度敏感，X1 和 X2 量级差100倍时，梯度下降会抖动，训练出的权重 w 偏向大尺度特征，导致等高线扭曲；同时若用 np.linspace 只取50个点生成网格，边界就会锯齿明显甚至断裂。
实操建议：
- 训练前必须对特征做标准化：
from sklearn.preprocessing import StandardScaler，拟合训练集后统一 transform 训练/测试数据 - 绘图网格建议至少
np.linspace(min-0.5, max+0.5, 200)，确保边界平滑 - 避免直接用
model.coef_手算边界（仅适用于线性可分二分类），优先用模型predict_proba或decision_function输出概率/距离，再用contourf绘制等概率线
如何用 matplotlib.contourf 正确绘制概率热力图？
关键不是画“线”，而是画“面”——把每个网格点的预测概率映射成颜色深浅，再叠加散点真实标签。很多人误用 contour（只画等高线），结果边界单薄、无层次感。
实操建议：
- 先用
np.meshgrid(X1, X2)构造二维坐标阵列，再np.c_[xx.ravel(), yy.ravel()]展平喂给模型 - 调用
model.predict_proba(grid_points)[:, 1]获取正类概率，reshape 回网格形状 -
plt.contourf(xx, yy, Z, levels=50, cmap='RdYlBu_r', alpha=0.6)：levels 越高越细腻，alpha保证后续散点不被盖住 - 务必加
plt.axis('equal')，否则圆形决策边界会被拉成椭圆
sklearn.metrics.classification_report 输出里 precision/recall/f1 的差异在哪？
这仨不是并列指标，而是针对“正类”（positive class）的不同视角：precision 关注你猜对了多少（TP / (TP + FP)），recall 关注你找出了多少（TP / (TP + FN)），f1 是它们的调和平均。当数据严重不平衡（比如正样本仅占5%），accuracy 高达95%也毫无意义。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
实操建议：
- 永远检查
classification_report(y_true, y_pred, output_dict=True)返回的字典，重点看'1'键下的三项，而非 macro/weighted 平均值 - 若 recall 过低（比如0.3），说明模型漏判太多正样本，应调低分类阈值（
model.predict_proba(X)[:, 1] > 0.3） - 若 precision 过低（比如0.4），说明模型乱标正类，应调高阈值或增加正则项（
C=0.1）
为什么训练集上 accuracy_score 是0.98，测试集却掉到0.72？
典型过拟合，尤其在小样本+高维特征下。逻辑回归本身不易过拟合，但若手动添加了高次项（如 X1**2, X1*X2）又没正则化，或者用了极小的 C（即极大正则强度反向），反而会让权重爆炸。
实操建议：
- 用
LogisticRegression(C=1.0, penalty='l2', solver='liblinear')作为基线，不要轻易改solver（lbfgs对小数据更稳） - 交叉验证选
C：from sklearn.model_selection import GridSearchCV，参数param_grid={'C': [0.01, 0.1, 1, 10]} - 可视化学习曲线：
learning_curve(model, X, y, train_sizes=[0.3, 0.6, 0.9], cv=3)，确认是数据不足还是模型太复杂
决策边界可视化不是炫技，它暴露的是模型是否真正理解数据分布。最常被忽略的一点：永远在标准化后的特征空间里画图，而不是原始数据——否则你以为画的是逻辑回归边界，实际只是坐标轴缩放的错觉。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
