只有两个数值特征的分类模型，可以把输入平面画成决策区域，再把样本点叠上去检查。下面用 SVC 训练一个虚构的二维二分类例子，通过 DecisionBoundaryDisplay 输出图片。区域颜色是当前模型的预测类别，不是正确率或可信度。
环境与运行方法
本文代码在 Windows、Python 3.11 的本地独立环境执行通过。以下数据全部为人为构造的教学样本，不是客户数据，也不是业务效果测试。
新建一个空目录，在终端执行安装命令，把后面的完整代码保存为 demo.py，再执行 python demo.py。文件输出均保存在运行目录，请先在空目录练习。
python -m pip install numpy==2.4.6 scikit-learn==1.9.1 matplotlib==3.11.2只对两个输入特征作图
本例模型直接接收两列数值，坐标轴对应这两列。高维模型不能把其余列随意丢掉后仍叫原模型边界；若固定其余变量或另用降维，应明确固定值和展示方式。
SVC 使用 RBF 核，C=1、gamma=scale 为本例设置。它没有进行正式调参；如果输入列的尺度差异很大，应先确定预处理，并用同一完整管道作图。
把模型区域和原样本分开标记
DecisionBoundaryDisplay.from_estimator 使用 response_method=predict，所以填色显示类别编号。随后散点用真实教学标签着色，圆点位置对应原始特征。检查一条点时应比较该点标签和所在区域的预测。
图片的网格只是把连续平面上的查询点离散化。远离训练样本的颜色也会被画出来，但没有因此获得证据；应留意训练数据覆盖，不能把整张有色平面理解为可靠区域。
可复制的完整代码
import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.inspection import DecisionBoundaryDisplay
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1], [2, 2], [2, 3], [3, 2], [3, 3]], dtype=float)
y = np.array([0, 0, 0, 0, 1, 1, 1, 1])
model = SVC(kernel="rbf", C=1.0, gamma="scale").fit(X, y)
fig, ax = plt.subplots()
DecisionBoundaryDisplay.from_estimator(model, X, response_method="predict", grid_resolution=120, alpha=0.35, ax=ax)
ax.scatter(X[:, 0], X[:, 1], c=y, edgecolors="black")
ax.set(xlabel="Feature 1", ylabel="Feature 2", title="Toy SVC decision regions")
fig.tight_layout(); fig.savefig("decision_regions.png", dpi=150); plt.close(fig)
print("training_point_predictions", model.predict(X).tolist())
print("n_features", model.n_features_in_)
print("saved decision_regions.png")
assert model.n_features_in_ == 2
assert len(model.predict(X)) == 8
运行结果与核对方法
下面是本文教学代码在上述本地环境中的实际输出。浮点数末位可能随依赖版本变化。
training_point_predictions [0, 0, 0, 0, 1, 1, 1, 1]
n_features 2
saved decision_regions.png打开 decision_regions.png，确认有8个样本点、两条对应特征的坐标轴与两类区域；对照 training_point_predictions 检查这些点的预测。再添加一条已知标签的新查询点核对，正式评估仍应独立进行。
使用边界与常见问题
这是八条虚构二维数据的可视化，训练点预测不代表泛化准确率。没有展示概率，也没有解释真实高维模型；远离样本的区域不保证可靠。
为什么换一个 gamma 图形会变？
RBF 核的 gamma 影响相似度随距离的变化，可能改变区域形状。不要按图片是否好看选择参数，应以预先设定的验证方案判断。
官方资料
接口与参数依据以下官方资料核对（2026年10月1日）。示例验证只覆盖本文输入和步骤。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/30785.html
