我正在尝试绘制感知器算法的决策边界,并对一些事情感到困惑。我的输入实例的格式是(x1,x2),target_Value,基本上是一个2-d输入实例和一个2类target_value 1或0。
因此我的权重向量是: w1,w2,现在我必须加上一个额外的偏置参数w0,因此我的权重向量变成了一个3x1向量?它是1x3向量吗?我认为它应该是1x3,因为一个向量只有1行n列。
现在假设我将w0、w1、w2实例化为随机值,我该如何绘制其决策边界?这意味着w0在这里意味着什么?w0/norm(w)是决策区域到原点的距离吗?如果是这样的话,我该如何使用matplotlib.pyplot或它的等价物在python中捕获并绘制它呢?在这件事上,我真的很感激你能给我一点帮助。
from pylab import norm
import matplotlib.pyplot as plt
n = norm(weight_vector) #this is of the form [w0,w1,w2], w0 is bias parameter
ww = weight_vector/n #unit vector in the direction of weight_vector
ww1 = [ww[1],-ww[0]]
ww2 = [-ww[1],ww[0]]
plot([ww1[0], ww2[0]],[ww1[1], ww2[1]],'--k')这里我想结合w0参数来指示权重向量的位移到原点的距离,因为这就是w0/norm(w)所表示的?
当我绘制下面注释中提到的向量时,我得到的向量长度非常小,我如何才能在两个方向上扩展这个决策边界?
发布于 2013-09-29 00:21:54
由于您的决策函数是简单的sgn(w1*x+w2*y+w3),因此决策边界方程是具有规范形式w1*x + w2*y + w3 = 0的直线。
|w3|/||w||是到原点的距离,w3本身没有很好的几何解释(只要w不是单位长度)。
为了用这样的方程绘制直线,你可以简单地通过(0,-w3/w2)和(-w3/w1,0)绘制一条直线(假设w1和w2都是非零的)
https://stackoverflow.com/questions/19068634
复制相似问题