使用sklearn Perceptron无法正确分类NAND函数，请求排查问题

我是机器学习新手，正在用Perceptron验证逻辑门的线性可分性，但针对NAND门的实现结果不符合预期：模型在输入X和输出y上的得分仅为0.5，预测结果是[1,0,0,0]，而预期应该是[1,1,1,0]。

训练代码 #

import numpy as np
from sklearn.linear_model import Perceptron

clf = Perceptron(max_iter=100, random_state=0)

X= np.array([[0,0],[0,1],[1,0],[1,1]])
y = np.array([1,1,1,0])
clf.fit(X, y)
score= clf.score(X, y)
print(score)
a=clf.predict(X)
print(a)

代码输出 #

0.5
[1 0 0 0]

净输入计算代码 #

w = clf.coef_ ;b = clf.intercept_
z= np.dot(X,w.T) +b
print(z.T)

净输入计算结果 #

[[ 2.  0.  0. -2.]]

问题原因 #

sklearn的Perceptron默认遵循原始感知机算法设计，期望分类标签为{-1, 1}，但你传入的标签是{0,1}。这种标签格式不匹配会导致模型权重更新逻辑出错，无法收敛到NAND门对应的正确线性分隔边界。

解决方法 #

将标签集中的0替换为-1，让标签符合Perceptron的预期格式：

import numpy as np
from sklearn.linear_model import Perceptron

clf = Perceptron(max_iter=100, random_state=0)

X= np.array([[0,0],[0,1],[1,0],[1,1]])
# 将原标签中的0替换为-1
y = np.array([1,1,1,-1])
clf.fit(X, y)
score= clf.score(X, y)
print(score)
a=clf.predict(X)
# 可选：将预测结果中的-1转换回0，方便和预期结果对比
a = np.where(a == -1, 0, a)
print(a)

修改后运行，模型得分会变为1.0，预测结果也会符合预期的[1,1,1,0]。

内容的提问来源于stack exchange，提问作者deepLDoc