我试图绘制感知器算法的决策边界，并且我对一些事情感到困惑。我的输入实例的格式为[（x1，x2），target_Value]，基本上是2-d输入实例和2类target_value [1或0]。
我的体重矢量因此形式为：[w1，w2]现在我必须加入一个额外的偏差参数w0，因此我的体重矢量变为3x1矢量？它是1x3矢量？我认为它应该是1x3，因为矢量只有1行和n列。
现在假设我将[w0，w1，w2]实例化为随机值，我将如何绘制决策边界？这意味着w0在这里意味着什么？ w0 / norm（w）是决策区域与原点的距离吗？如果是这样，我如何使用matplotlib.pyplot或其matlab等效捕获这个并在python中绘制它？我真的很感激这个问题的一点帮助。
from pylab import norm
import matplotlib.pyplot as plt
n = norm(weight_vector) #this is of the form [w0,w1,w2], w0 is bias parameter
ww = weight_vector/n #unit vector in the direction of weight_vector
ww1 = [ww[1],-ww[0]]
ww2 = [-ww[1],ww[0]]
plot([ww1[0], ww2[0]],[ww1[1], ww2[1]],'--k')
这里我想结合w0参数来指示权重向量与原点的位移距离，因为这是w0 / norm（w）指示的位置？
当我绘制下面评论中提到的向量时，我得到一个非常小的长度的向量，我怎样才能在两个方向上扩展这个决策边界？
答案 0 :(得分：3)
由于您的决策函数只是sgn(w1*x+w2*y+w3)，因此决策边界方程是规范形式的w1*x + w2*y + w3 = 0行。
|w3|/||w||是与原点的距离，w3本身没有良好的几何解释（只要w不是单位长度）。
为了使用这样的等式绘制线条，您只需在(0,-w3/w2)和(-w3/w1,0)中画一条线（假设w1和w2都非零）< / p>