线性分类器散点图报错排查及超平面绘制方法求助

• 错误根源：plt.scatter的第三个位置参数是s（控制点的大小），你传入的标签数组y包含-1，而点的大小不能为负数，因此触发ValueError。要按类别区分颜色，需用c参数指定颜色映射。
• 额外问题：代码中训练集变量名是小写x，但训练和绘图时用了大写X，会导致NameError，需统一变量名。
• 修正后的绘图代码：

# 先统一训练集变量名为X
np.random.seed(42)
X = np.random.randn(100,2)
y = np.concatenate([np.ones(50), -1*np.ones(50)])

# 绘制分类散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

线性分类器的决策边界（超平面）满足公式：weights[0]*x₀ + weights[1]*x₁ + bias = 0，变形为x₁ = (-weights[0]*x₀ - bias)/weights[1]。通过生成x₀的取值范围，计算对应x₁即可绘制这条直线：

• 实现代码（放在训练完成后）：

# 生成x₀的取值范围（覆盖数据集的特征范围）
x0_range = np.linspace(X[:,0].min()-1, X[:,0].max()+1, 100)
# 计算对应的x₁值
x1_values = (-weights[0]*x0_range - bias)/weights[1]

# 绘制散点图+决策边界
plt.scatter(X[:,0], X[:,1], c=y, cmap='bwr')
plt.plot(x0_range, x1_values, 'k--', label='Decision Boundary')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

整合所有修正后的可运行代码：

import numpy as np
import matplotlib.pyplot as plt 

# 生成训练集
np.random.seed(42)
X = np.random.randn(100,2)
y = np.concatenate([np.ones(50), -1*np.ones(50)])

# 生成测试集
X_test = np.random.randn(50,2)
y_test = np.concatenate([np.ones(25), -1*np.ones(25)])

# 线性分类器训练函数
def linear_classifier(X, y, learning_rate=0.01, num_epochs=100):
    num_features = X.shape[1] 
    weights = np.zeros(num_features)
    bias = 0
    
    for epoch in range(num_epochs):
        for i in range(X.shape[0]):
            linear_output = np.dot(X[i], weights) + bias
            y_pred = np.sign(linear_output)
            error = y[i] - y_pred
            weights += learning_rate * error * X[i]
            bias += learning_rate * error
            
    return weights, bias

# 训练模型
weights, bias = linear_classifier(X, y) 

# 测试模型并计算准确率
linear_output = np.dot(X_test, weights) + bias
y_pred = np.sign(linear_output)
accuracy = np.mean(y_pred == y_test)
print("Accuracy:", accuracy)

# 绘制结果
x0_range = np.linspace(X[:,0].min()-1, X[:,0].max()+1, 100)
x1_values = (-weights[0]*x0_range - bias)/weights[1]

plt.scatter(X[:,0], X[:,1], c=y, cmap='bwr')
plt.plot(x0_range, x1_values, 'k--', label='Decision Boundary')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Linear Classifier Decision Boundary')
plt.legend()
plt.show()

内容的提问来源于stack exchange，提问作者sarika