用python实现在2个属性,5个样本的西瓜数据上,BP网络参数更新和分类边界的变化的代码

以下是一个简单的BP神经网络实现在西瓜数据集上的代码：

import numpy as np

# 定义sigmoid函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义BP神经网络类
class BPNN:
    def __init__(self, input_dim, hidden_dim, output_dim):
        # 初始化权重
        self.W1 = np.random.randn(input_dim, hidden_dim)
        self.b1 = np.random.randn(hidden_dim)
        self.W2 = np.random.randn(hidden_dim, output_dim)
        self.b2 = np.random.randn(output_dim)

    # 前向传播
    def forward(self, X):
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = sigmoid(self.z2)
        return self.a2

    # 反向传播
    def backward(self, X, y, learning_rate):
        # 计算输出层误差
        delta2 = (self.a2 - y) * self.a2 * (1 - self.a2)

        # 计算隐藏层误差
        delta1 = np.dot(delta2, self.W2.T) * self.a1 * (1 - self.a1)

        # 更新权重
        self.W2 -= learning_rate * np.dot(self.a1.T, delta2)
        self.b2 -= learning_rate * np.sum(delta2, axis=0)
        self.W1 -= learning_rate * np.dot(X.T, delta1)
        self.b1 -= learning_rate * np.sum(delta1, axis=0)

# 加载数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# 初始化模型
model = BPNN(2, 4, 1)

# 训练模型
for i in range(10000):
    # 前向传播
    y_pred = model.forward(X)

    # 反向传播
    model.backward(X, y, 0.1)

    # 计算误差
    loss = np.mean((y_pred - y) ** 2)

    # 打印误差
    if i % 1000 == 0:
        print(f"Epoch {i}, Loss: {loss:.4f}")

# 打印分类边界
X1 = np.linspace(0, 1, 100)
X2 = np.linspace(0, 1, 100)
X1, X2 = np.meshgrid(X1, X2)
X_test = np.array([X1.ravel(), X2.ravel()]).T
y_test = model.forward(X_test)
y_test = y_test.reshape(X1.shape)
plt.contour(X1, X2, y_test, levels=[0.5])
plt.scatter(X[:,0], X[:,1], c=y.ravel())
plt.show()

在这个例子中，我们使用了一个包含2个输入节点、4个隐藏节点和1个输出节点的BP神经网络。我们使用sigmoid作为激活函数，并使用均方误差作为损失函数。我们使用随机梯度下降算法来更新权重。

在训练完模型后，我们可以使用模型来预测新的数据，并使用分类边界来可视化模型的分类效果。