我对机器学习还比较陌生，最开始是通过阅读《Machine Learning: An Algorithmic Perspective》这本书来学习的。我试图通过修改书籍网站上提供的代码，创建一个能够区分恶意程序和良性程序的逻辑分类器。然而，即使经过100000个周期，隐藏层和输出层的权重也没有发生变化。

我尝试过使用完整的数据集以及部分数据集运行算法，但仍然没有效果。

这是我的多层感知器类

代码内容保持不变

这是我的调用代码，提供数据

代码内容保持不变

每个向量有7个维度，最后一个条目是目标值

这是包含数据集的完整文本文件的链接https://drive.google.com/open?id=1q_aGNgHxTBh_mmVAzVXKBa27NTJKeKV8

请告诉我我哪里做错了。如果有易于使用的库可以完成同样的任务，请推荐一下。

回答：

正如评论中提到的，随机初始化网络权重应该能使网络进行训练。

    # 初始化网络
    self.weights1 = (np.random.rand(self.nin+1,self.nhidden)-0.5)*2/np.sqrt(self.nin)
    self.weights2 = (np.random.rand(self.nhidden+1,self.nout)-0.5)*2/np.sqrt(self.nhidden)

然后，从你的数据来看，属性之间完全不可比。这意味着你的网络梯度更新将由单一特征主导。为了解决这个问题，一个选择是标准化你的数据。

from sklearn.preprocessing import StandardScaler
for i in range(apk_train_data.shape[1]-1):
    scaler = StandardScaler().fit(apk_train_data[:,i].copy())
    apk_train_data[:,i] = scaler.transform(apk_train_data[:,i].copy())
    apk_test_data[:,i] = scaler.transform(apk_test_data[:,i].copy())

最后但同样重要的是，eta设为0.25太大了。我将通过使用相反的极端情况来进行说明：

p.mlptrain(apk_train_data[:, 0:7], apk_train_data[:, 7:], 0.0001, 100000)
p.confmat(apk_test_data[:, 0:7], apk_test_data[:, 7:])
# >> Percentage Correct:  71.4285714286
p.confmat(apk_train_data[:,0:7], apk_train_data[:,7:])
# >> Percentage Correct: 88.8888888889