Python 感知器与算子

我用这段代码实现AND运算符，但分隔区域的线并没有正确计算。它正在通过点[1,0]和[0,1]。如何正确地分隔区域

from sklearn.linear_model import Perceptron
import matplotlib.pyplot as plt
import numpy as np
from itertools import product

data = [[0,0],[1,0],[0,1],[1,1]]
labels_and = [0, 0, 0, 1]

x = [points[0] for points in data]
y = [points[1] for points in data]

plt.scatter(x, y, c = labels_and)
plt.show()

classifier = Perceptron()
classifier.fit(data, labels_and)

print(classifier.score(data, labels_and))

result = classifier.decision_function([[0, 0], [1, 1], [0.5, 0.5]])
print(result)

x_values = y_values = np.linspace(0, 1, 100)
point_grid = list(product(x_values, y_values))
distances = classifier.decision_function(point_grid)
abs_distance = [abs(x) for x in distances]

distance_matrix = np.reshape(abs_distance, (100, 100))

heatmap = plt.pcolormesh(x_values, y_values, distance_matrix)
plt.colorbar(heatmap)
plt.show()

---

决策边界是正确的，因为所有的

都被分类为1类，而所有的
决策边界是正确的，因为所有的
都被分类为1类，所有的
决策边界都被正确计算，但我认为它是不同的。@v.tralala对该问题的回答对此进行了详细解释。同时我发现，如果
random\u state
的给定值不是零（例如
random\u state=100
），将计算不同的截距和权重值，因此决策边界将更接近点（1,1）。
决策边界计算正确，但我预计它会不同。@v.tralala对该问题的回答对此进行了详细解释。同时我发现，如果
random_state
给定的值不是零（例如
random_state=100
），则将计算不同的截距和权重值，从而使决策边界更接近点（1,1）。
感谢您的详细说明，您的回答帮助我更好地理解。你是对的，我希望得到更高的y截距线，因为我在一些例子中看到了它。我的截距是
b=-2
，当我将
random_state
更改为默认不为零的某个值时，我得到了截距和权重的不同结果。感谢您的详细说明，您的回答帮助我更好地理解。你是对的，我希望得到更高的y截距线，因为我在一些例子中看到了它。我的截距是
b=-2
，当我将
random_state
更改为默认不为零的某个值时，我得到了截距和权重的不同结果。
w = classifier.coef_[0]  
b = classifier.intercept_   

m = -weight[0]/weight[1]   
n = -b/weight[1]    
plt.plot(x_values, m*x_values+n)