感知机算法未按预期运行，排查Python实现代码的问题

代码里的明确bug点 #

• 阶跃函数的输出和标签取值对不上
  现在的step函数吐出来的是0和1，但你做权重更新的时候靠的是y_hat - y[i]的差值判断：如果你的原始标签是常规二分类的-1/1取值，这俩的差值根本碰不上代码里写的1、-1两个更新触发阈值，等于权重更新分支根本不会正确触发，模型学不动。
• 权重更新的方向写反了
  现在的逻辑是预测值比真实值大1的时候，反而往大了调权重和偏置，这和感知机的修正逻辑完全反过来：本来应该是正样本被错分成负类的时候，才抬权重把得分拉上去；负样本被错分成正类的时候，才压权重把得分降下来，你现在的写法越迭代，分割线离正确位置越远。
• 没用的代码还写错了
  算维度边界那行y_min, y_max = min(x.T[1]), max(x.T[0])明显手滑，把x维度的最大值塞给y_max了，而且这行算出来的数后面压根没用到，纯纯的无效错代码。
• 偏置初始值设得不合理
  现在的偏置是随机数加x方向的最大值，等于初始分割线直接怼到x轴最右端，离数据群老远，前几个epoch根本学不到东西。

改完能跑的核心逻辑 #

# 适配-1/1标签的阶跃函数
def step(t):
    return 1 if t >= 0 else -1

# 单步更新的正确写法
def perceptronstep(x, y, w, b, learning_rate):
    for i in range(len(x)):
        y_hat = prediction(x[i], w, b)
        # 错了才更新，不用靠差值判断
        if y_hat != y[i]:
            for j in range(len(w)):
                w[j] += learning_rate * y[i] * x[i][j]
            b += learning_rate * y[i]
    return w, b

内容的提问来源于stack exchange，提问作者devanathan sabapathy