Персептрон, используя дельта-правило

Question

Я понимаю, что на самом деле я пытаюсь реализовать не нейронную сеть, а скорее одноуровневый персептрон.Я думал, что это будет легко (я полагаю, что это так, но я просто не могу понять это. Код, который я написал, выглядит следующим образом:

import numpy as np
import pylab
import matplotlib.pyplot as plt

from sklearn.utils import shuffle

def shuffling(X,t):
    if X.shape[0] != t.shape[0]:
        X = np.transpose(X)
        X,t = shuffle(X,t)
        X = np.transpose(X)
        t = np.transpose(t)
    else:
        X,t = shuffle(X,t)
        X = np.transpose(X)
        t = np.transpose(t)
    return X,t

def generating_data():
    n = 100
    mA = [-1.0, 2.5]
    sigmaA = 0.5
    mB = [1.5, 0.9]
    sigmaB = 0.5
    A_1 = np.random.normal(mA[0], sigmaA, n)
    A_2 = np.random.normal(mA[1], sigmaA, n)
    classA = np.stack((A_1, A_2), axis=1)
    B_1 = np.random.normal(mB[0], sigmaB, n)
    B_2 = np.random.normal(mB[1], sigmaB, n)
    classB = np.stack((B_1,B_2), axis=1)
    tot_class = np.vstack((classA, classB))
    target_values_A = np.ones(n)
    target_values_B = np.ones(n)*(-1)
    tot_target = np.concatenate((target_values_A, target_values_B), axis=0)
    X = np.insert(tot_class, 2, values = 1, axis =1)
    X, t = shuffling(X, tot_target)
    return X,t, classA, classB, tot_class


X,t, classA, classB, tot_class = generating_data()

def perceptron2(X, t, max_iter):
    n = 200
    lr = 0.5
    w = np.random.normal(0, 1/n, (1,3))
    for k in range(max_iter):
        y = np.dot(w, X)
        t = np.reshape(t,(1,200))
        w = w - lr*np.dot((t-y),np.transpose(X))
        #X,t = shuffling(X,t)
    return w


w = perceptron2(X,t,10)
print(w)


#print(w)

def plotting(classA, classB, tot_class):
    w = perceptron2(X,t,100)
    area = np.pi*3
    plt.scatter(classA[:,0], classA[:,1], s = area, c='b', alpha=0.5)
    plt.scatter(classB[:,0], classB[:,1],s=area, c= 'r', alpha = 0.5)
    grid = np.linspace(np.amin(tot_class),np.amax(tot_class))
    y = []
    for x in grid:[enter image description here][1]
        slope = -(w[0][0] / w[0][2]) / (w[0][0] / w[0][1])
        intercept = -w[0][0] / w[0][2]
        print(slope)
        print(intercept)
        y.append((slope*x) + intercept)
    plt.plot(grid,y, color = 'black')

    plt.show()

plotting(classA,classB,tot_class)

Это проблема двоичной классификации, я использую толькодве функции, как вы можете видеть из кода. Извините за отсутствие изображений, но если вы запустите его сами, вы увидите, что гиперплоскость полностью отключена. Все, что может заставить меня двигаться вперед, приветствуется,спасибо