首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >如何计算感知器决策边界

问如何计算感知器决策边界
EN

Stack Overflow用户
提问于 2013-09-28 23:39:08
回答 1查看 6.9K关注 0票数 1

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。

代码语言:javascript
复制
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?

EN

回答 1

Stack Overflow用户

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)

票数 3
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/19068634

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档