我有三类积分:
C1:{(4,1)、(2,3)、(3,5)、(5,4)、(1,6)}
C2: {(0,2), (-2,2), (-3,2), (-2,4)}
C3: {(1,-2), (3,-2)}
我还有一个具有 2 个输入、一个偏置项和三个输出的单层感知器。
a) 网络能学会分离样本吗？ (假设如果 x ∈ Ci 则我们希望 yi = 1，并且如果 j != i 则 yj = −1)
b) 将样本 (-1,6) 添加到 C1 中。现在，网络可以学会分离样本吗？
我不知道如何解决这个问题。我不需要指定实际权重，但如何确定网络是否能够分离样本？这可以纯粹通过图形来完成，还是有书面证明？
最佳答案
从下面代码生成的图表中可以看到
import matplotlib.pyplot as plt
C1 = [(4,1), (2,3), (3,5), (5,4), (1,6), (-1,6)]
C2 = [(0,2), (-2,2), (-3,2), (-2,4)]
C3 = [(1,-2), (3,-2)]
plt.scatter([i[0] for i in C1],[i[1] for i in C1], c='b')
plt.scatter([i[0] for i in C2],[i[1] for i in C2], c='r')
plt.scatter([i[0] for i in C3],[i[1] for i in C3], c='g')
plt.show()
数据可以很容易地通过线性线分离，感知器又名神经网络，只有一层就可以学习分离线性数据
具有几层的完整神经网络，可以产生非线性分离，因此可以轻松做到
关于machine-learning - 这个神经网络可以进行分离吗？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/49835408/