SI-LAB3-StudentTask:1

# Trenowanie klasyfikatora One vs Rest dla wszystkich trzech klas
OvRClassifier = OneVsRestClassifier(LogisticRegression())
OvRClassifier.fit(iris_train_scaled_data, iris_train_target)

# Tworzenie wykresu z danymi i granicami decyzyjnymi dla trzech klasyfikatorów
plt.figure(figsize=(10, 8))

# Tworzenie siatki do wizualizacji granic decyzyjnych
x_min, x_max = iris_train_scaled_data[:, 0].min() - 1, iris_train_scaled_data[:, 0].max() + 1
y_min, y_max = iris_train_scaled_data[:, 1].min() - 1, iris_train_scaled_data[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02),
                     np.arange(y_min, y_max, 0.02))

# Pobieranie unikalnych klas
unique_classes = np.unique(iris_train_target)
class_colors = ['blue', 'orange', 'green']

# Wyświetlanie punktów danych
for i, class_idx in enumerate(unique_classes):
    plt.scatter(iris_train_scaled_data[iris_train_target == class_idx][:, 0],
                iris_train_scaled_data[iris_train_target == class_idx][:, 1],
                color=class_colors[i],
                alpha=0.7,
                label=f'{class_idx} - {iris.target_names[class_idx]}')

# Wykreślanie granic decyzyjnych dla każdego klasyfikatora binarnego w OvR
for i, (class_idx, estimator) in enumerate(zip(unique_classes, OvRClassifier.estimators_)):
    # Pobieranie współczynników i wyrazu wolnego dla tego klasyfikatora
    coef = estimator.coef_[0]
    intercept = estimator.intercept_[0]

    # Obliczanie granicy decyzyjnej
    x1_vals = np.linspace(x_min, x_max, 100)
    x2_vals = -(coef[0] / coef[1]) * x1_vals - (intercept / coef[1])

    plt.plot(x1_vals, x2_vals,
             linestyle='--',
             color=class_colors[i],
             linewidth=2,
             label=f'Granica dla klasy {class_idx}')

plt.title('Klasyfikatory One-vs-Rest dla zbioru Iris')
plt.xlabel('Przeskalowana długość działki kielicha')
plt.ylabel('Przeskalowana szerokość działki kielicha')
plt.legend()
plt.grid(True)
plt.show()