多层感知器，在 Python 中可视化决策边界（2D）

Question

我已经为二元分类编写了多层感知。据我了解，一个隐藏层可以仅使用线作为决策边界来表示（每个隐藏神经元一条线）。这很有效，只需使用训练后的权重就可以轻松绘制。

但是，随着更多层的添加，我不确定使用什么方法，并且教科书很少处理可视化部分。我想知道，是否有直接的方法将权重矩阵从不同层转换到这个非线性决策边界（假设 2D 输入）？

非常感谢，

Answer 1

绘制决策边界（无论是线性还是非线性分类器）的方法之一是在均匀网格中采样点并将其输入分类器。假设X是您的数据，您可以创建统一的点网格，如下所示：

h = .02  # step size in the mesh
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))

然后，将这些坐标输入感知器以捕获它们的预测：

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

假设clf你的感知器是np.c_从均匀采样点创建特征，将它们提供给分类器并在Z预测中捕获。

最后，将决策边界绘制为等高线图（使用 matplotlib）：

Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)

还可以选择绘制您的数据点：

plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)

完全工作的示例，该示例的学分归功于scikit-learn（顺便说一句，这是一个很棒的机器学习库，实现了完全工作的感知器）。