目录
一、前言
二、什么是二维空间线性可分数据
三、感知器的数学模型
四、构造二维分类数据集
五、数据可视化
六、训练单层感知器
七、使用感知器进行预测
八、计算分类准确率
九、绘制决策边界
十、单层感知器的局限性
十一、多层感知器（MLP）
十二、训练多层感知器
十三、评估MLP模型
十四、可视化MLP决策区域
十五、单层感知器与MLP对比
十六、完整项目结构
十七、实战扩展
十八、面试高频问题
什么是线性可分数据？
感知器能解决什么问题？
为什么感知器无法解决XOR？
多层感知器相比感知器优势是什么？
MLP中的隐藏层作用是什么？
Perceptron与MLP本质区别？
十九、总结
在上一篇文章中，我们学习了：
感知器（Perceptron） 单层神经网络 多层神经网络 梯度下降 反向传播但是很多同学学习完理论后都会产生疑问：
感知器到底长什么样？ 如何训练一个感知器？ 单层感知器和多层感知器有什么区别？ 为什么说单层感知器只能解决线性可分问题？本文将通过：
Python Numpy Matplotlib Scikit-Learn构建二维空间数据集，并分别使用：
单层感知器 多层感知器（MLP）完成分类任务。
通过可视化决策边界，真正理解感知器的工作原理。
二、什么是二维空间线性可分数据
所谓线性可分（Linearly Separable）：
存在一条直线 能够把两类数据完全分开例如：
| x1 | x2 | 类别 |
|---|---|---|
| 1 | 2 | 0 |
| 2 | 1 | 0 |
| 5 | 6 | 1 |
| 6 | 5 | 1 |
图形表现：
如果存在：
一条直线 Ax + By + C = 0能够将两类样本完全隔开。
那么该数据集就是：
线性可分数据三、感知器的数学模型
单个感知器结构：
计算过程：
z = w1*x1 + w2*x2 + b然后经过激活函数：
if z > 0: 输出1 else: 输出0其中：
w 权重 b 偏置训练过程实际上就是：
不断调整权重和偏置使分类准确率越来越高。
四、构造二维分类数据集
使用 Sklearn 生成样本。
代码：
from sklearn.datasets import make_classification X, y = make_classification( n_samples=200, n_features=2, n_redundant=0, n_informative=2, n_clusters_per_class=1, class_sep=2, random_state=42 ) print(X.shape)输出：
(200, 2)表示：
200个样本 2个特征五、数据可视化
绘制二维散点图：
import matplotlib.pyplot as plt plt.scatter( X[:,0], X[:,1], c=y, cmap='coolwarm' ) plt.xlabel("x1") plt.ylabel("x2") plt.show()结果：
红色点 蓝色点明显能够被一条直线分开。
这正是：
线性可分数据六、训练单层感知器
Sklearn提供：
Perceptron实现。
代码：
from sklearn.linear_model import Perceptron model = Perceptron( max_iter=1000, random_state=42 ) model.fit(X, y)训练完成后：
print(model.coef_) print(model.intercept_)输出：
权重 偏置即感知器学到的参数。
七、使用感知器进行预测
预测新样本：
sample = [[3,4]] result = model.predict(sample) print(result)输出：
[1]说明：
属于类别1八、计算分类准确率
代码：
from sklearn.metrics import accuracy_score y_pred = model.predict(X) acc = accuracy_score( y, y_pred ) print(acc)输出：
0.98说明：
准确率达到98%对于线性可分数据。
单层感知器效果非常好。
九、绘制决策边界
最重要的一步。
观察感知器到底学到了什么。
代码：
import numpy as np w = model.coef_[0] b = model.intercept_[0] x_line = np.linspace( X[:,0].min(), X[:,0].max(), 100 ) y_line = -(w[0]*x_line+b)/w[1] plt.scatter( X[:,0], X[:,1], c=y, cmap='coolwarm' ) plt.plot( x_line, y_line, color='black' ) plt.show()效果：
一条直线 将两类样本分开这就是：
感知器学习到的决策边界十、单层感知器的局限性
感知器有一个著名缺陷：
只能解决线性可分问题例如：
XOR问题数据：
| x1 | x2 | 输出 |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
图形：
flowchart LR A[(0,0)] B[(1,1)] C[(0,1)] D[(1,0)]此时：
不存在一条直线 能够完成分类因此：
单层感知器失败十一、多层感知器（MLP）
为了解决非线性问题。
研究人员引入：
隐藏层结构：
这就是：
MLP Multi Layer Perceptron十二、训练多层感知器
代码：
from sklearn.neural_network import MLPClassifier mlp = MLPClassifier( hidden_layer_sizes=(10,), max_iter=3000, random_state=42 ) mlp.fit(X, y)参数说明：
10 隐藏层神经元数量训练完成：
print("训练完成")十三、评估MLP模型
代码：
y_pred = mlp.predict(X) acc = accuracy_score( y, y_pred ) print(acc)输出：
0.99+对于简单数据集。
MLP通常能够达到更高精度。
十四、可视化MLP决策区域
创建网格：
xx, yy = np.meshgrid( np.linspace(X[:,0].min()-1, X[:,0].max()+1, 200), np.linspace(X[:,1].min()-1, X[:,1].max()+1, 200) )预测：
Z = mlp.predict( np.c_[xx.ravel(),yy.ravel()] ) Z = Z.reshape(xx.shape)绘制：
plt.contourf( xx, yy, Z, alpha=0.3 ) plt.scatter( X[:,0], X[:,1], c=y ) plt.show()观察：
MLP形成复杂决策区域而不仅仅是一条直线。
十五、单层感知器与MLP对比
| 对比项 | 单层感知器 | MLP |
|---|---|---|
| 隐藏层 | 无 | 有 |
| 表达能力 | 低 | 高 |
| XOR问题 | 不支持 | 支持 |
| 非线性分类 | 不支持 | 支持 |
| 训练速度 | 快 | 较慢 |
| 应用场景 | 简单分类 | 深度学习基础 |
十六、完整项目结构
project │ ├── data.py ├── train_perceptron.py ├── train_mlp.py ├── visualize.py └── requirements.txtrequirements：
numpy matplotlib scikit-learn安装：
pip install numpy matplotlib scikit-learn十七、实战扩展
可以进一步尝试：
增加样本数量 增加噪声 增加隐藏层 调整学习率 调整神经元数量例如：
MLPClassifier( hidden_layer_sizes=(32,16,8) )形成：
三层隐藏层神经网络更加接近真实深度学习模型。
十八、面试高频问题
什么是线性可分数据？
存在一条直线 能够分开两类样本感知器能解决什么问题？
线性分类问题为什么感知器无法解决XOR？
XOR不是线性可分数据多层感知器相比感知器优势是什么？
具备非线性表达能力MLP中的隐藏层作用是什么？
提取特征 学习复杂关系Perceptron与MLP本质区别？
是否存在隐藏层十九、总结
通过本次实战，我们完成了：
二维空间数据生成 单层感知器训练 分类预测 决策边界可视化 多层感知器训练 MLP分类实践并理解了：
单层感知器 只能学习线性边界而：
多层感知器 能够学习复杂非线性边界整个神经网络的发展路线实际上就是：
感知器 ↓ 多层感知器 ↓ 深度神经网络 ↓ CNN/RNN ↓ Transformer ↓ GPT可以说：
感知器是神经网络的起点，而多层感知器则打开了深度学习的大门。通过亲手实现二维空间分类任务，不仅能够理解模型原理，更能够真正体会“机器如何学习”的过程。
