現在我們用python代碼實現感知器算法。

# -*- coding: utf-8 -*-import numpy as npclass Perceptron(object): """ eta:學習率 n_iter:權重向量的訓練次數 w_：神經分叉權重向量 errors_：用于記錄神經元判斷出錯次數 """ def __init__(self, eta=0.01, n_iter=2):  self.eta = eta  self.n_iter = n_iter  pass def fit(self, X, y):  """  輸入訓練數據培訓神經元  X:神經元輸入樣本向量  y: 對應樣本分類  X:shape[n_samples,n_features]  x:[[1,2,3],[4,5,6]]  n_samples = 2 元素個數  n_features = 3 子向量元素個數  y:[1,-1]  初始化權重向量為0  加一是因為前面算法提到的w0,也就是步調函數閾值  """  self.w_ = np.zeros(1 + X.shape[1])  self.errors_ = []  for _ in range(self.n_iter):   errors = 0   """   zip(X,y) = [[1,2,3,1]，[4,5,6,-1]]   xi是前面的[1,2,3]   target是后面的1   """   for xi, target in zip(X, y):    """    predict(xi)是計算出來的分類    """    update = self.eta * (target - self.predict(xi))    self.w_[1:] += update * xi    self.w_[0] += update    print update    print xi    print self.w_    errors += int(update != 0.0)    self.errors_.append(errors)    pass def net_input(self, X):  """  z = w0*1+w1*x1+....Wn*Xn  """  return np.dot(X, self.w_[1:]) + self.w_[0] def predict(self, X):  return np.where(self.net_input(X) >= 0, 1, -1)if __name__ == '__main__': datafile = '../data/iris.data.csv' import pandas as pd df = pd.read_csv(datafile, header=None) import matplotlib.pyplot as plt import numpy as np y = df.loc[0:100, 4].values y = np.where(y == "Iris-setosa", 1, -1) X = df.iloc[0:100, [0, 2]].values # plt.scatter(X[:50, 0], X[:50, 1], color="red", marker='o', label='setosa') # plt.scatter(X[50:100, 0], X[50:100, 1], color="blue", marker='x', label='versicolor') # plt.xlabel("hblength") # plt.ylabel("hjlength") # plt.legend(loc='upper left') # plt.show() pr = Perceptron() pr.fit(X, y)

其中數據為

控制臺輸出為

你們跑代碼的時候把n_iter設置大點，我這邊是為了看每次執行for循環時方便查看數據變化。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持武林站長站。