二分类问题的训练集（多特征）

每行训练样本有两个特征和一个取值只有0或1的目标变量。

绘制训练集数据的散点图

自定义plot_data()

Python实现逻辑回归的成本函数

自定义sigmoid()

调用成本函数

设置w，b的值，调用函数并计算。

不同的w，b，绘制逻辑回归模型的决策边界

由6.3课可知，决策边界公式:wx+b=0，示例为多特征，因此w0x0+w1x1+b=0。这里设置两个w都为1，蓝色线条对应b=-3，紫色线条对应b=-4。由图可知，紫色代表的w，b参数构建的模型预测效果差。

验证哪条决策边界效果好

b=-4的成本函数值更高，对应了上图结论：紫色决策边界代表的w，b构建的模型预测效果差。

总结

首先我们根据训练集数据绘制了散点图，然后根据不同参数，尝试了两种决策边界的绘制。经过可视化观察和成本函数计算的双重验证，我们确定了其中一种参数绘制的决策边界效果较好，因此使用这种参数构建的模型预测效果也会更好。