对于某些输入 X，例如：
[[ 1.456044 -7.058824] [-4.478022 -2.072829] [-7.664835 -6.890756] [-5.137363 2.352941] ...和 Y，例如：
[ 1. 1. 1. -1. ...这是我的感知器训练函数：
def train(self, X, Y, iterations=1000): # Add biases to every sample. biases = np.ones(X.shape[0]) X = np.vstack((biases, X.T)).T w = np.random.randn(X.shape[1]) errors = [] for _ in range(iterations): all_corr = True num_err = 0 for x, y in zip(X, Y): correct = np.dot(w, x) * y > 0 if not correct: num_err += 1 all_corr = False w += y * x errors.append(num_err) # Exit early if all samples are correctly classified. if all_corr: break self.w = perpendicular(w[1:]) self.b = w[0] return self.w, self.b, errors当我打印错误时，我通常会看到类似这样的内容：
[28, 12, 10, 7, 10, 8, 11, 8, 0]请注意，我得到的错误为0，但数据显然存在某些偏置问题：
例如，以下是某次运行的 b 值：
-28.6778508366我查看了这个Stack Overflow问题，但没有发现我们的算法有什么不同。我认为可能是由于我解释和绘制 w 和 b 的方式？我只是做了非常简单的事情：
def plot(X, Y, w, b): area = 20 fig = plt.figure() ax = fig.add_subplot(111) p = X[Y == 1] n = X[Y == -1] ax.scatter(p[:, 0], p[:, 1], s=area, c='r', marker="o", label='pos') ax.scatter(n[:, 0], n[:, 1], s=area, c='b', marker="s", label='neg') neg_w = -w xs = [neg_w[0], w[0]] ys = [neg_w[1], w[1]] # 我猜这是偏置所在的地方？ ax.plot(xs, ys, 'r--', label='hyperplane') ...回答：
是的，我认为你学到了正确的 w，但没有正确地绘制分隔线。
你有一个二维数据集。所以你的 w 有两个维度。假设 w = [w1, w2]。
分隔线应该是 w1 * x1 + w2 * x2 + b = 0。我认为你使用这条线上的两个点来绘制分隔线。这两个点可以如下找到：
- 首先，让我们将
x1设置为0。我们得到x2 = -b/w2。 - 其次，让我们将
x2设置为0。我们得到x1 = -b/w1。
因此，这两个点应该是 (0, -b/w2) 和 (-b/w1, 0)。在你的 xs 和 ys 公式中，我没有看到 b 是如何使用的。你可以尝试设置如下：
# 注意 w[0] = w1, w[1] = w2. xs = [0, -b/w[0]] # 线上两点的x坐标。ys = [-b/w[1], 0] # 线上两点的y坐标。请看下图，摘自这张由@gwg提到的幻灯片。红色实线是你通过 w（不是 self.w）学到的分隔线。红色虚线箭头表示：在分隔线的那一侧，求和(wx)的符号大于0。这在基于边界的模型中（感知器就是这样的模型）也很有用，用来计算你学到的模型的边界。也就是说，如果你从分隔线开始，并沿着分隔线的垂直方向移动，第一个到达的例子定义了那侧的“边界”，这是你到目前为止旅行的距离（请注意，你可以从分隔线上的任何位置开始）。
