Python 执行代码时得到错误的答案

当我执行代码时，我得到的av_Ein为0，但答案（av_Ein）接近于0.01。 请帮我找出错误。 **给定问题**

在这些问题中，我们将探讨分类的线性回归是如何工作的。与作业#1中的感知器学习算法一样，您将创建自己的目标函数f和数据集D。取D=2，这样您就可以可视化问题，并假设X=[−1,1] × [−1,1]，每个x的拾取概率相同∈ X.在每次运行中，选择平面中的一条随机线作为目标函数f（通过在平面中选取两个随机、均匀分布的点来实现）[−1,1]×[−1,1]并取通过它们的线），其中线的一侧映射到+1，另一侧映射到−1.选择数据集的输入xn作为随机点（均匀地在X中），并计算每个xn上的目标函数，以获得相应的输出yn

取N=100。使用线性回归确定g并评估Ein，即样本点中分类错误的分数。重复实验1000次，取平均值（保留g，因为它们将在问题6中再次使用）。以下哪个值最接近平均Ein？（最接近的选项是使表达式|成为您的答案−给定选项|最接近0。在此处和整个过程中使用最接近的定义

我的代码

import numpy as np
import pandas as pd
import math
from numpy.linalg import inv
import matplotlib.pyplot as plt
from sklearn import datasets, linear_model

av_Ein =0
for P in range(0,1000):
    #Target Line calculation
    line = {}#Target Line
    x1,y1 = np.random.uniform(-1,1,2)
    x2,y2 = np.random.uniform(-1,1,2)
    m = (y2-y1)/(x2-x1)
    line['x'] = m
    line['y'] = -1
    line['c'] = y1-m*x1
    X = np.random.uniform(-1,1,(100,2))
    X = np.c_[np.ones(100),X]
    #------
    #Target calculation

    Y =[]#Target
    for i in range(0,100):
        Y.append(line['c']*1+line['x']*X[i][1]+line['y']*X[i][2])

    #------
    #For calculating the weight function W = pseudoinverse(X) x Y

    X_tran = X.transpose()
    temp_1 = np.matmul(X_tran,X)
    temp_inv = inv(temp_1)
    temp_1 = np.matmul(temp_inv,X_tran)
    W = np.matmul(temp_1,Y)

    #end of calculation

    #E_in(insample error) claculation for this final hypothesis

    E_in=0#(No of times the final hypothesis not matching with target /len(Target))

    #No of misclassified insample points

    for k in range(0,100):
        if np.sign(X[k][0]*W[0]+X[k][1]*W[1]+X[k][2]*W[2]) != np.sign(Y[k]):
            E_in = E_in+1
        #E_in = E_in+math.pow((lm.predict([X[k]])-Y[k]),2)

    #---

    E_in = E_in/100#E_in calculation
    av_Ein = av_Ein+E_in

av_Ein = av_Ein/1000 #(AVg of all the insmple error)
print(av_Ein)

---

你开始时把

E_in

作为一个整数，但当你到达

E_in=E_in/100

时，我想你期望它是一个

float

@quamrana E_in是输入样本中的错误，这只是输入样本中错误分类的概率。在做线性回归后，我们正在发现它是如何与输入保持一致的样本根据我的代码输出，每个点都被正确分类。