python - 多层感知器，可视化Python中的决策边界(2D)

我已经为二进制分类编程了一个多层感知。据我所知，一个隐藏层可以用线作为决策边界来表示（每个隐藏神经元一条线）。这很好的工作，可以很容易地绘制，只要使用训练后产生的权重。
然而，随着更多的层被添加，我不确定使用什么方法，可视化部分很少在教科书中处理。我想知道，有没有一种直接的方法将权重矩阵从不同的层转换到这个非线性决策边界（假设是二维输入）？
非常感谢，

最佳答案

绘制决策边界（对于线性或非线性分类器）的方法之一是在均匀网格中采样点并将其输入分类器。AsummingX是您的数据，您可以创建一个统一的点网格，如下所示：

h = .02  # step size in the mesh
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))

然后，将这些坐标输入感知器，以捕捉它们的预测：

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

假设clf是您的感知器，则np.c_从均匀采样点创建特征，将其输入分类器并捕获其预测。
最后，将决策边界绘制为等高线图（使用matplotlib）：

Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)

也可以选择打印数据点：

plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)

Fully working example，该示例的学分归scikit-learn（顺便说一句，这是一个伟大的机器学习库，实现了一个完全工作的感知器）。