问题标签 [perceptron]

我正在尝试绘制感知器算法的决策边界，并且对一些事情感到非常困惑。我的输入实例采用 [(x1,x2),target_Value] 的形式，基本上是一个二维输入实例和一个 2 类 target_value [1 或 0]。

因此，我的权重向量采用以下形式： [w1,w2] 现在我必须加入一个额外的偏置参数 w0，因此我的权重向量变成 3x1 向量？它是 1x3 向量吗？我认为它应该是 1x3，因为向量只有 1 行和 n 列。

现在假设我将 [w0,w1,w2] 实例化为随机值，我将如何为此绘制决策边界？这意味着 w0 在这里表示什么？w0/norm(w) 是决策区域到原点的距离吗？如果是这样，我如何捕获它并使用 matplotlib.pyplot 或其 matlab 等效项在 python 中绘制它？在这件事上，即使是一点点帮助，我也将不胜感激。

在这里，我想结合 w0 参数来指示权重向量与原点的位移距离，因为这就是 w0/norm(w) 所表示的？

当我绘制下面评论中提到的向量时，我得到一个长度非常小的向量，我怎么可能在两个方向上扩展这个决策边界？

我正在尝试绘制感知器算法的决策边界，并且对一些事情感到非常困惑。我的输入实例采用 [(x1,x2),target_Value] 的形式，基本上是一个二维输入实例和一个 2 类 target_value [1 或 0]。

因此，我的权重向量采用以下形式： [w1,w2] 现在我必须加入一个额外的偏置参数 w0，因此我的权重向量变成 3x1 向量？它是 1x3 向量吗？我认为它应该是 1x3，因为向量只有 1 行和 n 列。

现在假设我将 [w0,w1,w2] 实例化为随机值，我将如何为此绘制决策边界？这意味着 w0 在这里表示什么？w0/norm(w) 是决策区域到原点的距离吗？如果是这样，我如何捕获它并使用 matplotlib.pyplot 或其 matlab 等效项在 python 中绘制它？在这件事上，即使是一点点帮助，我也将不胜感激。

在这里，我想结合 w0 参数来指示权重向量与原点的位移距离，因为这就是 w0/norm(w) 所表示的？

当我绘制下面评论中提到的向量时，我得到一个长度非常小的向量，我怎么可能在两个方向上扩展这个决策边界？

图中位置[0,0]附近的小虚线是我的决策区域，我怎样才能让它在两个方向上都更长呢？如果我尝试将其每个组件相乘，则图形比例会发生变化，我正在使用 matplotlib.pyplot.plot() 函数来实现这一点。

我有许多训练实例，(x1,y1),(x2,y2),(x3,y3)

我还有一个权重向量 [w1,w2] 随机初始化浮点数介于 -1 和 1 之间。我想用方程 dotproduct(w,x) 绘制一条线，它基本上具有方程 w1xn+w2xn - w0=0。基本上是决策边界。在不使用meshGrid() 的情况下如何在matplotlib 中实现这一点。在这种情况下，它只是 w1xn + w2xn - w0=0 形式的一行，其中 w0 是一个随机初始化的权重，就像 w1 和 w2 一样。我一直在考虑这个问题，但没有太多运气，并且非常感谢一些关于如何实现这个绘制决策边界的帮助（最初是在学习之前）。我正在使用一个简单的感知器学习算法。

我已经在 Python 中实现了感知器学习算法，如下所示。即使有 500,000 次迭代，它仍然不会收敛。

我有一个带有目标向量 Y 的训练数据矩阵 X 和一个要优化的权重向量 w。

我的更新规则是：

这是错的吗？或者为什么它在 500,000 次迭代之后仍然没有收敛？

我正在尝试使用感知器实现情感分析，以在 python 中获得更好的准确性。我迷失在围绕它的数学中，需要简单解释如何移植它以用于情绪分析。已经发表了一篇论文： http: //aclweb.org/anthology/P/P11/P11-1015.pdf

这里的任何人都能够详细和清晰地解释吗？我有一个训练数据集和测试数据集，每个数据集包含 5000 条评论，并且使用词袋获得了 78% 的准确率。有人告诉我，感知器会给我 88% 的准确率，我很想实现它。

我正在尝试在 MATLAB 中创建一个简单的感知器训练函数。我想在没有发现错误时返回权重。

这是我要分类的数据。

它生成一个带标签的数据集，如果增加 d 的点数，则两个类（红色、黑色）之间的划分更加明显。

对于我的感知器函数，我传递数据 (d) 和标签。我有 3 个输入，x 值、y 值和偏差是一个。每个输入都分配了一个介于 0 和 1 之间的随机权重。请注意，我在感知器函数中将数据集 d 命名为 Z。我确实使用了 sigmoid 激活函数，但它会在 while 循环中运行一次，之后总是返回 true，sigmoid 函数还给了我 inf 或 1 的值。下面我只使用阈值激活，但它似乎在不断循环并且不归还我的体重。我认为问题可能出在下面的 if 语句中

感知器功能：

随着训练次数的增加，感知器的准确性是否可能会降低？在这种情况下，我多次使用相同的训练集。

我正在研究感知器学习，并且有一个问题有点令人困惑。由于我是自学的，我浏览了各种论文、教程、PowerPoint 等，有时他们似乎使用不同的算法来调整网络的权重。

例如，一些包括学习率，另一些包括单个权重/输入产品，而另一些只是所有权重/输入产品的总和。

那么，我是否正确假设有多种算法都导致相同的最终权重矩阵/向量？

我知道感知器只能在线性可分集合上正常工作，比如 NAND、AND、OR 函数的输出。我一直在阅读Wikipedia 关于感知器的条目，并开始使用它的代码。

XOR 是单层感知器失败的情况，因为它不是线性可分集。

此 Ideone 运行的输出对于 XOR 是正确的。怎么会？

我正在尝试实现感知器算法，但得到的结果不一致；我注意到权重的初始化产生了很大的影响。有什么我公然做错了吗？谢谢！