使用sklearn的Perceptron做线性可分二分类时分类有误如何调整

问题原因 #

你使用的sklearn的Perceptron类默认开启了早停逻辑：默认参数tol=1e-3，当连续n_iter_no_change（默认值5）轮迭代的损失下降幅度小于tol时，就算没跑满max_iter也会提前终止训练。你的数据虽然线性可分，但训练提前停止时模型还没收敛，所以决策边界错误，才会出现红色正样本没被包含在绿色正类区域的情况。

需修改的代码部分 #

仅需要修改感知机实例化的那一行，禁用早停逻辑即可，修改后代码如下：

# 原代码：clf = Perceptron(max_iter=10000)
# 修改为：
clf = Perceptron(max_iter=10000, tol=None)

可选补充设置random_state固定随机种子，保证每次运行结果一致：

clf = Perceptron(max_iter=10000, tol=None, random_state=42)

验证方法 #

可以在clf.fit(x,y)之后加一行打印训练集准确率：

print("训练集准确率：", clf.score(x, y))

如果输出为1.0就说明模型已经完全拟合线性可分数据，此时绘制的分类区域一定会包含所有红色正样本点。

你代码里的sv相关逻辑属于冗余代码，初始化的sv全为False，不会对分类结果产生影响，不需要的话可以直接删除，保留也不影响运行。

内容的提问来源于stack exchange，提问作者Bluetail