set.seed(1234)

x1 <- rnorm(20, 1, 2)
x2 <- rnorm(20)

y <- sign(-1 - 2 * x1 + 4 * x2 )

y[ y == -1] <- 0

df <- cbind.data.frame( y, x1, x2)

mdl <- glm( y ~ . , data = df , family=binomial)

slope <- coef(mdl)[2]/(-coef(mdl)[3])
intercept <- coef(mdl)[1]/(-coef(mdl)[3]) 

library(lattice)
xyplot( x2 ~ x1 , data = df, groups = y,
   panel=function(...){
       panel.xyplot(...)
       panel.abline(intercept , slope)
       panel.grid(...)
       })

我必须指出，这里发生了完美的分离，因此该glm函数会给你一个警告。但这在这里并不重要，因为目的是说明如何绘制线性边界和根据协变量着色的观察值。

想在费尔南多接受的上述答案的评论中解决这个问题：有人可以解释斜率和截距背后的逻辑吗？

逻辑回归的假设采用以下形式：

$$h_{\theta} = g(z)$$

其中，是 sigmoid 函数，其中的形式为：$g(z)$$z$

$$z = \theta_{0} + \theta_{1}x_{1} + \theta_{2}x_{2}$$

假设我们在 0 和 1 之间进行分类，当给出 sigmoid 函数为真时$y = 1$$h_{\theta} \geq 0.5$

$$\theta_{0} + \theta_{1}x_{1} + \theta_{2}x_{2} \geq 0$$

以上是决策边界，可以重新排列为：

$$x_{2} \geq \frac{-\theta_{0}}{\theta_{2}} + \frac{-\theta_{1}}{\theta_{2}}x_{1}$$

这是一个形式为的等式，您可以看到为什么和的计算方式与它们在接受的答案中的方式相同$y = mx + b$$m$$b$