现在我们用python代码实现感知器算法。#-*-coding:utf-8-*-importnumpyasnpclassPerceptron(object):"""eta:学
现在我们用python代码实现感知器算法。
# -*- coding: utf-8 -*-
import numpy as np
class Perceptron(object):
"""
eta:学习率
n_iter:权重向量的训练次数
w_：神经分叉权重向量
errors_：用于记录神经元判断出错次数
"""
def __init__(self, eta=0.01, n_iter=2):
self.eta = eta
self.n_iter = n_iter
pass
def fit(self, X, y):
"""
输入训练数据培训神经元
X:神经元输入样本向量
y: 对应样本分类
X:shape[n_samples,n_features]
x:[[1,2,3],[4,5,6]]
n_samples = 2 元素个数
n_features = 3 子向量元素个数
y:[1,-1]
初始化权重向量为0
加一是因为前面算法提到的w0,也就是步调函数阈值
"""
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)是计算出来的分类
"""
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)
其中数据为
控制台输出为
你们跑代码的时候把n_iter设置大点，我这边是为了看每次执行for循环时方便查看数据变化。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
python 神经网络 感知器