生成两组线性均匀分布的数据（完全线性可分）。 生成两组线性均匀分布的数据（线性不可分）。 生成两组高斯分布的数据（完全线性可分）。 生成两组高斯分布的数据（线性不可分）。 使用 神经网络-感知器进行二分类，并画出分类界面。

好的，我会根据您的要求回答问题，以下是您提出的问题的回答和代码示例。

1. 生成两组线性均匀分布的数据（完全线性可分）：

import numpy as np
import matplotlib.pyplot as plt

# 生成100个服从均匀分布的随机数作为X1
X1 = np.random.uniform(-10, 10, 100)
# 生成对应的Y1
Y1 = np.random.uniform(-10, 10, 100)

# 生成100个服从均匀分布的随机数作为X2，保证X2与X1之间有明显的线性差异
X2 = np.random.uniform(-5, 15, 100)
# 生成对应的Y2，保证Y2与Y1之间有明显的线性差异
Y2 = np.random.uniform(-5, 15, 100)

# 将两组数据可视化
plt.scatter(X1, Y1, c='r')
plt.scatter(X2, Y2, c='b')
plt.show()

2. 生成两组线性均匀分布的数据（线性不可分）：

import numpy as np
import matplotlib.pyplot as plt

# 生成100个服从均匀分布的随机数作为X1
X1 = np.random.uniform(-10, 10, 100)
# 生成对应的Y1
Y1 = np.random.uniform(-10, 10, 100)

# 生成100个服从均匀分布的随机数作为X2，保证X2与X1之间有明显的线性差异
X2 = np.random.uniform(-10, 10, 100)
# 生成对应的Y2，保证Y2与Y1之间有明显的线性差异，但是不能与Y1存在线性关系
Y2 = np.random.uniform(20, 30, 100)

# 将两组数据可视化
plt.scatter(X1, Y1, c='r')
plt.scatter(X2, Y2, c='b')
plt.show()

3. 生成两组高斯分布的数据（完全线性可分）：

import numpy as np
import matplotlib.pyplot as plt

# 生成服从高斯分布的随机数作为X1
X1 = np.random.normal(1, 1, 100)
# 生成对应的服从高斯分布的随机数作为Y1
Y1 = np.random.normal(1, 1, 100)

# 生成服从高斯分布的随机数作为X2
X2 = np.random.normal(5, 1, 100)
# 生成对应的服从高斯分布的随机数作为Y2
Y2 = np.random.normal(5, 1, 100)

# 将两组数据可视化
plt.scatter(X1, Y1, c='r')
plt.scatter(X2, Y2, c='b')
plt.show()

4. 生成两组高斯分布的数据（线性不可分）：

import numpy as np
import matplotlib.pyplot as plt

# 生成服从高斯分布的随机数作为X1
X1 = np.random.normal(1, 1, 100)
# 生成对应的服从高斯分布的随机数作为Y1
Y1 = np.random.normal(1, 1, 100)

# 生成服从高斯分布的随机数作为X2
X2 = np.random.normal(5, 1, 100)
# 生成对应的服从高斯分布的随机数作为Y2，但是不能与Y1存在线性关系
Y2 = np.random.normal(10, 1, 100)

# 将两组数据可视化
plt.scatter(X1, Y1, c='r')
plt.scatter(X2, Y2, c='b')
plt.show()

5. 使用神经网络-感知器进行二分类，并画出分类界面：

import numpy as np
import matplotlib.pyplot as plt

# 生成两组线性均匀分布的数据（完全线性可分）
# 为了方便起见，直接使用第一个问题中的数据

# 将两组数据合并为一个矩阵，并且添加一列1作为偏置项
X = np.hstack((np.vstack((X1, Y1)).T, np.vstack((X2, Y2)).T))
X = np.hstack((X, np.ones((X.shape[0], 1))))

# 生成标签
y = np.hstack((np.zeros(100), np.ones(100)))

# 定义感知器模型
class Perceptron():
    def __init__(self):
        self.weights = None

    def fit(self, X, y, lr=0.1, epochs=100):
        # 初始化权重
        self.weights = np.zeros(X.shape[1])

        # 进行迭代更新
        for epoch in range(epochs):
            for xi, yi in zip(X, y):
                error = yi - self.predict(xi)
                self.weights += lr * error * xi

    def predict(self, X):
        # 计算预测值
        y_hat = np.dot(X, self.weights)
        return np.where(y_hat > 0, 1, 0)

# 定义绘制分类界面的函数
def plot_decision_boundary(model, X, y):
    # 定义画布大小
    plt.figure(figsize=(8, 6))

    # 绘制散点图
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.brg)

    # 绘制分类界面
    x1_min, x1_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
    x2_min, x2_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, 0.1), np.arange(x2_min, x2_max, 0.1))
    Z = model.predict(np.c_[xx1.ravel(), xx2.ravel(), np.ones(xx1.ravel().shape[0])])
    Z = Z.reshape(xx1.shape)
    plt.contourf(xx1, xx2, Z, alpha=0.2, cmap=plt.cm.brg)

    # 显示图像
    plt.show()

# 训练模型
model = Perceptron()
model.fit(X, y)

# 画出分类界面
plot_decision_boundary(model, X[:, :2], y)

以上代码中，我们使用了感知器模型来进行二分类，并且使用了绘制分类界面的函数 `plot_decision_boundary` 来绘制分类界面。