调整模型系数
当您在 scikit-learn 中调用 fit 时，逻辑回归的系数会根据数据集自动学习得到。在本练习中，您将探索系数如何表示决策边界。为此，您将手动更改系数（而不是使用 fit），并可视化得到的分类器。
一个二维数据集已作为 X 和 y 加载到环境中，同时还提供了线性分类器对象 model。
本练习是课程的一部分
Python 中的线性分类器
练习说明
- 将两个系数和截距设置为不同的数值，并观察对应的决策边界。
- 尝试建立直觉，理解系数与决策边界之间的关系。
- 设置系数和截距，使模型在给定的训练数据上不产生错误。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Set the coefficients
model.coef_ = np.array([[0,1]])
model.intercept_ = np.array([0])
# Plot the data and decision boundary
plot_classifier(X,y,model)
# Print the number of errors
num_err = np.sum(y != model.predict(X))
print("Number of errors:", num_err)