感知机仅适用于线性可分问题，不支持正则化与概率输出；sklearn中predict全0或全1主因是特征未标准化、学习率过大或max_iter过小导致收敛失败；手动实现需用-1/+1标签、错误驱动更新，并注意数据可视化验证线性可分性。
感知机只能解决线性可分问题，且不带正则、不输出概率——它就是个带符号函数的单层神经元，别指望它处理异或或噪声数据。
为什么 sklearn.linear_model.Perceptron 训练后 predict 全是 0 或全 1？
最常见原因是数据未标准化，或学习率（eta0）设得太大导致权重震荡发散；另一个隐蔽原因是默认 max_iter=1000 但实际收敛需要更久，而 Perceptron 遇到不收敛会静默停止，不报错也不警告。
- 务必先用
StandardScaler对特征做fit_transform，尤其当特征量纲差异大（比如年龄 vs 收入） - 显式设置
max_iter=5000并检查model.n_iter_返回值，若等于max_iter，说明没收敛，需调小eta0（如从 1.0 改为 0.1）或增加迭代 -
Perceptron默认使用tol=1e-3判定收敛，对小样本或接近线性不可分的数据容易提前终止
如何手动实现感知机更新逻辑，避免黑盒陷阱？
核心就三步：初始化权重 → 对每个样本计算 np.dot(w, x) + b → 若预测错误，按 w += eta * y * x 和 b += eta * y 更新。关键点在于“错误才更新”，且更新方向严格依赖真实标签 y ∈ {-1, +1}。
示例片段（非 sklearn）：
立即学习“Python免费学习笔记（深入）”；
import numpy as np
X = np.array([[2, 3], [4, 1], [1, 2]]) # 特征
y = np.array([1, -1, 1]) # 标签必须是 -1/+1
w, b = np.zeros(X.shape[1]), 0.0
eta = 0.1
for _ in range(10):
for i in range(len(X)):
pred = 1 if np.dot(w, X[i]) + b >= 0 else -1
if pred != y[i]:
w += eta * y[i] * X[i]
b += eta * y[i]- 注意：sklearn 的
Perceptron内部把标签转为 0/1 后再映射，但更新公式等价于 -1/+1 形式 - 手写时若用 0/1 标签，激活函数得改成
pred = 1 if ... > 0 else 0，更新时要用y[i] - pred误差项，否则逻辑错乱 - 每次遍历全部样本叫“epoch”，手写建议加
np.random.shuffle打乱顺序，避免周期性误更新
训练完怎么知道它真的学到了线性边界？
不能只看 score() 返回的准确率——它可能在训练集上过拟合，或因类别不平衡虚高。必须可视化决策边界，并检查支持向量附近的误分类点。
- 二维情况下，用
w[0]*x + w[1]*y + b == 0解出直线，画出来看是否真把两类分开 - 调
model.coef_和model.intercept_拿到参数，注意coef_是二维数组（即使二分类），取[0]索引 - 如果数据线性不可分（如经典的 XOR 布局），
Perceptron会一直迭代到max_iter然后停，n_iter_等于上限，此时准确率必然低于 1.0，且反复运行结果不稳定
感知机的脆弱性不在代码难写，而在它对数据假设太强：你得先确认问题确实是线性可分的，否则所有调参都是徒劳。画散点图、试 LinearSVC 对比、检查 n_iter_ 是否稳定收敛——这些比换学习率重要得多。
