import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# Annahme: Du hast bereits deine Daten und deine Regression durchgeführt
# Beispiel-Daten
temperatur = np.random.rand(100) * 30 # Beispielwerte für Temperatur
luftfeuchtigkeit = np.random.rand(100) * 100 # Beispielwerte für Luftfeuchtigkeit
klassifikation = np.random.randint(0, 2, size=100) # Beispielwerte für Klassifikation (0 oder 1)
# Annahme: Du hast bereits LIME durchgeführt und die gewichtete lineare Regression durchgeführt
# Beispiel-Koeffizienten der linearen Regression
coefficients = np.array([2.5, -1.8])
# Plot der Datenpunkte
plt.scatter(temperatur, luftfeuchtigkeit, c=klassifikation, cmap=plt.cm.Paired)
# Berechne die Regressionsgerade
x_values = np.linspace(min(temperatur), max(temperatur), 100)
y_values = (-coefficients[0] * x_values) / coefficients[1]
# Füge die Regressionsgerade zum Plot hinzu
plt.plot(x_values, y_values, color='black', linewidth=2, label='Regressionsgerade')
# Beschriftungen und Legende
plt.xlabel('Temperatur')
plt.ylabel('Luftfeuchtigkeit')
plt.legend()
# Zeige den Plot
plt.show()
Stelle sicher, dass die Anzahl der Koeffizienten in
coefficients
mit der Anzahl der Features in deinem Modell übereinstimmt. Dieses Beispiel geht von zwei Features aus (Temperatur und Luftfeuchtigkeit), daher gibt es zwei Koeffizienten.