Итак, в настоящее время я создал нейронную сеть с одним слоем (я не знаю, назовите ли вы нейронную сеть или просто персептрон).Моя проблема в том, что я сейчас пытаюсь расширить это для двухслойной сети, и я хотел бы построить границу этого решения.Я сохраняю свои веса для первого слоя в $ W $ и веса второго слоя в $ V $.Код, который я использовал для персептрона, выглядит следующим образом:
def plotting(classA, classB, tot_class):
w = perceptron2(X,t,100)
print(w)
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:
slope = -(w[0][0] / w[0][2]) / (w[0][0] / w[0][1])
intercept = -w[0][0] / w[0][2]
y.append((slope*x) + intercept)
plt.plot(grid,y, color = 'black')
plt.show()
Но давайте будем реальными, у меня не было бы никакой причины внедрять нейронную сеть, если бы я ожидал, что мой набор данных будет линейно разделим, поэтомуОчевидно, я не могу использовать уравнение для прямой линии, но как мне подойти к этому?Моей первой мыслью было нарисовать функцию, где моя цель равна 0 (то есть, с 50% вероятностью, что она будет квалифицирована как -1 или +1), но действительно ли я должен идти по этому пути?