我有一个简单的任务，即使用神经网络按身高和头发长度将人分类为 MAN 或 WOMAN 类别。也用一些例子教它模式，然后用它自己分类。
我对神经网络有基本的了解，但在这里确实需要一些帮助。
我知道每个神经元将区域划分为两个子区域，基本上这就是为什么在这里使用 P = w0 + w1*x1 + w2*x2 + ... + wn*xn （如果我们考虑几何，权重只是移动线表示）。
我确实理解每个时代都应该修改权重以更接近正确的结果，但我从未对其进行编程，我对如何开始感到绝望。
我应该如何进行，意思是：我如何确定阈值以及我应该如何处理输入？
对于感兴趣的人来说，这不是家庭作业，而是任务。我是，我想理解它。
看起来您正在处理一个带有阈值激活函数的简单感知器。看看这个问题。由于您使用的是偏置神经元 (w0)，因此您可以将阈值设置为 0。
然后，您只需将网络的输出与 0 进行比较，例如，如果 x < 0，则输出类 1，如果 x > 0，则输出类 2。您可以将案例 x=0 建模为“模糊”。
为了学习权重，您需要应用可以很容易实施的Delta 学习规则。但要小心：只有当您的数据是线性可分的时，具有简单阈值激活函数的感知器才能正确。如果您有更复杂的数据，您将需要一个多层感知器和一个非线性激活函数，如 Logistic Sigmoid 函数。
有关详细信息，请查看Geoffrey Hintons Coursera Course, Lecture 2。
我最近一直在研究机器学习（但我不是专家），但你应该看看Accord.NET框架。它包含开箱即用的所有常见机器学习算法。因此，很容易获取现有样本并对其进行修改，而不是从头开始。此外，该框架的开发人员在同一页面上的论坛中非常有帮助。
通过可用的示例，您还可能会发现比神经网络更好的东西，例如内核支持向量机。如果你坚持使用神经网络，那么修改所有不同的变量会很有趣，通过尝试和错误，你会理解它是如何工作的。
玩得开心！
既然你说：
我知道每个神经元将区域划分为两个子区域
&
如果我们考虑几何表示，权重只是在移动线
我认为您想使用 perseptron 或 ADALINE 神经网络。这些神经网络只能对线性可分离模式进行分类。由于您的输入数据很复杂，因此最好使用多层非线性神经网络。（我的建议是具有 tanh 激活函数的两层神经网络）。为了训练这些网络，您应该使用反向传播算法。
为了回答
我应该如何处理输入？
我需要了解有关输入的更多详细信息（例如：它们只是身高和头发长度还是更多，它们的范围和您的分辨率等）
如果您只处理身高和头发长度，我建议在某些类别（例如 160cm-165cm、165cm-170cm 等）中划分身高和长度，并为这些类别中的每一个设置一个开/关输入神经元。然后在与身高相关的所有类之后放置一个隐藏层，在与头发长度相关的所有类之后放置另一个隐藏层（tanh 激活函数）。这两个隐藏层中的神经元数量是根据训练案例的数量确定的。然后将这两个隐藏层输出发送到具有 1 个输出神经元的聚合层。