最基本的感知器算法

Myth丶恋晨 2022-12-18 01:49 221阅读 0赞

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 = 10):
            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表示输入样本, y对应该样本的正确分类
            X: shape[n_samples, n_features]
            n_samples:表示有多少个训练样本数量
            n_features: 表示有多少个属性
            例如：X: [[1,2,3], [4,5,6]] => n_samples=2;n_features=3
    
            y: [1, -1]表示第一个向量的分类是1, 第二个向量的分类是-1
            """
    
            """
            首先初始化权重为0
            加一是因为激活函数w0的阈值
            """
            self.w_ = np.zero(1 + X.shape[1])
            self.errors_ = []
    
            for _ in range(self.n_iter): 
                errors = 0
                """
                X:[[1,2,3], [4,5,6]]
                y:[1, -1]
    
                zip(X, y) => [[1,2,3,1], [4,5,6-1]]
                """
                for xi, target in zip(X,y):
                    """
                    update = η * (y-y')
                    """
                    update = self.eta * (target - self.predict(xi))
                    """
                    xi 是一个向量
                    update 是一个常量
                    update*xi 等价于 [Δw(1) = X[1]*update, Δw(2) = X[2]*update, Δw(3) = X[3]*update]
                    """
                    # w_[1:]表示w忽略第0个元素，从第一个元素开始往后
                    self.w_[1:] += update * xi
                    self.w_[0] += update
                    errors += int(update != 0.0)
                    self.errors_.append(errors)
                pass
            pass
                
        def net_input(self, X):
            """
            z = W0*1 + W1*X1 + W2*X2+ ...+ Wn*Xn
            """
            return np.dot(X, self.w_[1:]) + self.w_[0]
    
        def predict(self, X):
            return np.where(self.net_input(X) >= 0.0 , 1, -1)