基础机器学习：二分类感知机无法正确学习问题求助

你的感知机模型无法正确学习主要有几个关键问题，我逐一拆解并给出修复建议：

1. 缺少偏置项（Bias），模型表达能力不足 #

标准感知机的决策边界公式是 w·x + b > 0（或类似带阈值的形式），其中b是偏置项，用来调整决策边界的偏移。你的代码里没有偏置，仅用w·x > threshold，这会导致模型无法灵活调整决策边界的位置——比如当sum(x)=0时，你需要模型输出1，但没有偏置的话，权重的线性组合很难刚好匹配这个阈值要求。

2. 错误计数逻辑完全错误 #

在train方法里，你把error_count作为参数传入train_observation，并且在外部又累加返回值，这会导致错误计数被重复计算：

# 错误的逻辑：
error_count += self.train_observation(x, y, error_count)

比如第一次出现错误时，train_observation里把传入的0加1变成1并返回，外部error_count变成0+1=1；第二次出现错误时，传入1，内部加1变成2返回，外部error_count变成1+2=3——实际只有2个错误，但计数变成了3，这会让训练的终止条件（error_count == 0）判断混乱，甚至可能提前终止训练。

3. 阈值设置与任务不匹配 #

你的任务是sum(x)≥0输出1，对应的理想决策边界是sum(x) ≥ 0，也就是w·x + b ≥ 0（当w全为1，b=0时正好匹配）。但你设置的threshold=0.5，加上没有偏置，模型很难学到正确的权重来匹配这个任务。

修复后的完整代码 #

我把这些问题都修复了，你可以直接运行测试：

import numpy as np

class Perceptron():
    def __init__(self, x, y, learning_rate=0.1, max_epochs=10):
        self.learning_rate = learning_rate
        self.x = x
        self.y = y
        self.max_epochs = max_epochs
        # 初始化权重和偏置
        self.weights = None
        self.bias = None

    def initialize(self):
        # 权重初始化为小随机数，偏置初始化为0
        self.weights = np.random.randn(len(self.x[0])) * 0.1
        self.bias = 0.0

    def train(self):
        epoch = 0
        while True:
            error_count = 0
            epoch += 1
            for x_i, y_true in zip(self.x, self.y):
                # 计算预测值：w·x + b > 0 则为1，否则为0
                y_pred = 1 if (np.dot(x_i, self.weights) + self.bias) > 0 else 0
                error = y_true - y_pred
                if error != 0:
                    error_count += 1
                    # 更新权重和偏置
                    self.weights += self.learning_rate * error * x_i
                    self.bias += self.learning_rate * error
            print(f'Epoch: {epoch} Error count: {error_count}')
            if error_count == 0:
                print('Training successful')
                break
            if epoch >= self.max_epochs:
                print('Reached max epochs')
                break

    def predict(self, x):
        return 1 if (np.dot(x, self.weights) + self.bias) > 0 else 0

# 任务函数：sum(x)≥0返回1，否则0
def sum01(x):
    return 1 if sum(x) >= 0 else 0

# 生成训练数据
np.random.seed(42)  # 设置随机种子方便复现
x_train = np.random.randint(low=-3, high=3, size=(50,10))
y_train = [sum01(z) for z in x_train]

# 训练模型
p = Perceptron(x_train, y_train)
p.initialize()
p.train()

# 测试预测
x_test = np.random.randint(low=-3, high=3, size=(10,10))
predics = [(p.predict(i), sum01(i)) for i in x_test]
print("\n预测结果（预测值, 真实值）：")
print(predics)

修复说明 #

• 新增了偏置项self.bias，让模型可以调整决策边界的偏移，匹配任务要求
• 修正了错误计数逻辑，现在每次错误只累加1次，计数准确
• 去掉了冗余的threshold参数，改用w·x + b > 0的标准感知机形式，更贴合你的任务
• 权重初始化改用小的正态分布随机数，避免初始值过大影响训练
• 设置了随机种子np.random.seed(42)，方便你复现结果

运行这段代码后，你会看到训练很快就能达到error_count=0，预测结果也会基本正确。

内容的提问来源于stack exchange，提问作者Roman