我在Python中实现了一个用于分类OR函数的简单感知器。然而，错误并未收敛。任何建议都将不胜感激。
def activation_function(x): if x<0: return 0 else: return 1training_set = [((0, 0), 0), ((0, 1), 1), ((1, 0), 1), ((1, 1), 1)]w = random.rand(2)errors = [] eta = .2n = 100for i in range(n): for x, y in training_set: u = sum(x*w) error = y - activation_function(u) errors.append(error) for index, value in enumerate(x): w[index] += eta * error * valueylim([-1,1]) plot(errors)错误图表：
回答：
我想说你缺少了偏置b…
如果你添加它，它会非常漂亮地收敛。
import numpy as npimport matplotlib.pyplot as pynp.random.seed(42)w = np.random.rand(2)b = 0errors = [] eta = .2n = 10for i in range(n): for x, y in training_set: u = np.sum(x*w)+b error = y - activation_function(u) errors.append(error) for index, value in enumerate(x): #print(index, " ", value) w[index] += eta * error * value b += eta*error请注意，我导入的库与你不同，我使用了一些更合理的名称，这样我就能知道哪个函数来自哪里… 如果这对你有帮助，请告诉我…
顺便说一下，这是分类的结果。我希望颜色有意义… 红色和蓝色有点耀眼，但你能明白我的意思。请注意，这个问题有无限多的解。所以如果你改变随机种子，你会得到一条不同的线来线性分隔你的点。
此外，你的算法无法收敛，因为当你的线通过(0,0)时，尽管你的预测是错误的，权重不会被更新，因为value=0对于这个特定点。所以问题在于你的更新不会起作用。这就是你的错误波动的原因。
编辑 应要求，我写了一个小教程（一个Jupyter笔记本），其中包含了一些如何绘制分类器决策边界的示例。你可以在github上找到它
github仓库：https://github.com/michelucci/python-Utils
希望这对你有用。
编辑2：如果你想要一个快速且非常粗糙的版本（我用于红色和蓝色图表的版本），这里是代码
lim = 3.0X1 = [x1 for x1 in np.arange(-lim,lim,0.1)]X2 = [x2 for x2 in np.arange(-lim,lim,0.1)]XX = [(x1,x2) for x1 in np.arange(-lim,lim,0.1) for x2 in np.arange(-lim,lim,0.1)]Xcolor = ["blue" if np.sum(w[0]*x1+w[1]*x2)+b > 0 else "red" for x1 in X1 for x2 in X2]x,y = zip(*XX)py.scatter(x,y, c = Xcolor)py.scatter(0,0, c = "black")py.scatter(1,0, c = "white")py.scatter(0,1, c = "white")py.scatter(1,1, c = "white")py.show()