用python写一个线性可分与不可分代码

线性可分代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成线性可分数据
np.random.seed(0)
X = np.random.randn(200, 2)
y = np.array([1 if np.sum(x) > 0 else -1 for x in X])

# 绘制数据散点图
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

不可分代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成线性不可分数据
np.random.seed(0)
X = np.random.randn(200, 2)
y = np.array([1 if np.sum(x**2) < 1 else -1 for x in X])

# 绘制数据散点图
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

在这个例子中，我们生成了一组二维数据，但是这些数据不是线性可分的。我们通过判断每个数据点是否在以原点为中心，半径为1的圆内来决定它们的标签。可以看到，这些数据点在散点图上并没有明显的分界线，因此无法用线性分类器对它们进行分类。

相关问题

Python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 K-means聚类程序进行二分类。

好的，我来逐一回答你提出的问题。

1. Python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

# 生成线性可分的数据
mean1 = [0, 0]
mean2 = [2, 2]
cov = [[1, 0], [0, 1]]

x1, y1 = np.random.multivariate_normal(mean1, cov, 100).T
x2, y2 = np.random.multivariate_normal(mean2, cov, 100).T

plt.scatter(x1, y1, c='r')
plt.scatter(x2, y2, c='b')
plt.show()

2. Python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

# 生成线性不可分的数据
mean1 = [0, 0]
mean2 = [2, 2]
cov = [[1, 0.8], [0.8, 1]]

x1, y1 = np.random.multivariate_normal(mean1, cov, 100).T
x2, y2 = np.random.multivariate_normal(mean2, cov, 100).T

plt.scatter(x1, y1, c='r')
plt.scatter(x2, y2, c='b')
plt.show()

3. Python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

# 生成高斯分布的数据
mean1 = [0, 0]
mean2 = [2, 2]
cov = [[1, 0], [0, 1]]

x1, y1 = np.random.multivariate_normal(mean1, cov, 100).T
x2, y2 = np.random.multivariate_normal(mean2, cov, 100).T

plt.scatter(x1, y1, c='r')
plt.scatter(x2, y2, c='b')
plt.show()

4. Python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

# 生成高斯分布的数据
mean1 = [0, 0]
mean2 = [2, 2]
cov = [[1, 0.8], [0.8, 1]]

x1, y1 = np.random.multivariate_normal(mean1, cov, 100).T
x2, y2 = np.random.multivariate_normal(mean2, cov, 100).T

plt.scatter(x1, y1, c='r')
plt.scatter(x2, y2, c='b')
plt.show()

5. 使用K-means聚类程序进行二分类：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

# 生成高斯分布的数据
mean1 = [0, 0]
mean2 = [2, 2]
cov = [[1, 0.8], [0.8, 1]]

x1, y1 = np.random.multivariate_normal(mean1, cov, 100).T
x2, y2 = np.random.multivariate_normal(mean2, cov, 100).T

# 合并数据
X = np.concatenate((np.array([x1, y1]).T, np.array([x2, y2]).T))

# 进行二分类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
labels = kmeans.labels_

# 绘制结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.show()

希望这些代码能够帮助到你解决问题！

python生成线性可分数据集

你可以使用Python中的`sklearn.datasets`库来生成线性可分数据集。具体来说，你可以使用`make_classification`函数来生成一个具有两个类别的线性可分数据集。以下是一个简单的示例代码：

from sklearn.datasets import make_classification

# 生成一个线性可分的二元分类数据集
X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1, random_state=42)

# 可视化数据集
import matplotlib.pyplot as plt

plt.scatter(X[:, 0], X[:, 1], c=y)
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

在这个例子中, `n_samples`表示生成的样本数，`n_features`表示特征数，`n_informative`表示有用特征数（即线性关系的特征数），`n_redundant`表示冗余特征数（即不相关的特征数），`n_clusters_per_class`表示每个类别内部的簇数。