感知机只能学习线性可分问题，因其决策边界为超平面，无法解决xor等非线性问题；标准化不改变几何可分性；应优先可视化诊断或换用非线性模型。
感知机的判别函数 f(x) = sign(w·x + b) 天然只能画直线
它没有隐藏层，也不支持核映射或非线性变换，输出完全由输入的加权和决定。只要 w·x + b 是线性表达式，它的零点集合（即决策边界）在二维就是一条直线，在三维就是一个平面，高维则是超平面——永远无法弯曲。
典型反例是 XOR 数据：[(0,0)→0, (0,1)→1, (1,0)→1, (1,1)→0]。你试遍所有 w 和 b，都找不到一条直线能把两个 1 分到一边、两个 0 分到另一边。这不是参数调得不够好，而是数学上不可能。
常见错误现象：
- 训练时
w和b持续震荡，loss 不下降，甚至发散 - 哪怕只错一个样本（比如 XOR 中总有一个点被误分），算法会反复修正、永远停不下来
- 用
sklearn.linear_model.Perceptron训练后score()始终低于 0.75，且增加迭代次数max_iter无改善
为什么标准化/归一化也救不了非线性不可分数据？
标准化（如 StandardScaler）能缓解因特征量纲差异导致的收敛慢，但它不改变数据的几何可分性。XOR 点在单位正方形里本来就很“规整”，标准化后仍是那四个点——结构没变，只是坐标平移缩放了一下。
真正起作用的诊断步骤是：
- 先用
LinearSVC(C=1e5)在同一数据上拟合，看score()是否 ≥ 0.95；如果不行，大概率是真不可分 - 可视化二维数据：用
plt.scatter(x[:,0], x[:,1], c=y)看分布形态；出现环形、交叉带、包围结构，基本可判定线性不可分 - 检查训练集标签是否平衡；严重偏斜（如 99% vs 1%）可能让感知机“放弃”少数类，误判为不可分
sklearn.linear_model.Perceptron 的 max_iter 和 tol 并不解决根本问题
这两个参数控制的是“最多跑多少轮”和“损失变化多小就停”，但它们不判断数据是否线性可分。当数据不可分时，Perceptron 会在 max_iter 到达后抛出 ConvergenceWarning，但模型仍会返回一个权重——这个权重只是“当前迭代下犯错最少的”，不是最优解。
容易踩的坑：
- 忽略警告，直接拿
predict()结果上线，实际泛化很差 - 盲目调大
max_iter=100000，以为能“熬出收敛”，结果只是多跑几万次无效更新 - 设
tol=1e-6过于严格，导致提前终止，而此时模型还在震荡初期
替代方案不是“修感知机”，而是换建模思路
感知机不是 bug，它是明确设计为处理线性可分场景的工具。强行让它扛非线性任务，就像用螺丝刀拧螺母——不是拧不动，是它本就不该干这活。
更务实的做法：
- 对简单非线性（如 XOR），手工构造特征：把
[x0, x1]扩展成[x0, x1, x0*x1]，再喂给感知机——本质是把问题抬升到更高维的线性空间 - 用
MLPClassifier(hidden_layer_sizes=(4,), activation='relu')替代，两层就能学 XOR - 直接上
SVC(kernel='rbf')或RandomForestClassifier，它们不依赖线性假设
最常被忽略的一点：当你发现感知机不收敛，第一反应不该是调参或加数据，而是打开散点图，确认那条“应该存在的直线”到底存不存在。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
