我正在努力理解这段代码背后的数学推理，以绘制在张量流中运行逻辑回归模型的结果。
plt.clf()
plt.xlabel(r"$x_1$")
plt.ylabel(r"$x_2$")
plt.title("Learned Model (Classification Accuracy: 1.00)")
plt.xlim(-2, 2)
plt.ylim(-2, 2)
# Plot Zeros
plt.scatter(x_zeros[:, 0], x_zeros[:, 1], color="blue")
plt.scatter(x_ones[:, 0], x_ones[:, 1], color="red")
x_left = -2
y_left = (1./w_final[1]) * (-b_final + logit(.5) - w_final[0]*x_left)
y_left = y_left.ravel()
x_right = 2
y_right = (1./w_final[1]) * (-b_final + logit(.5) - w_final[0]*x_right)
y_right = y_right.ravel()
plt.plot([x_left, x_right], [y_left, y_right], color='k')
我在数学上难以理解的代码行是y_left和y_right值。据我所知，它是
(1 / slope of j1 * (-intercept + logit(0.5) - slope of j0 * {-2|2})
logit函数如何影响图中的线？看来，这就像奔跑的变化，但我很难把事情弄清楚。任何帮助或与资源的链接将不胜感激。