感知机算法之Python代码实现
; 1.算法简介
感知机学习算法原始形式：
输入：训练集T
输出：w,b
感知机模型：f(x)=sign(w·x+b)
算法步骤：
1.初始化参数w0,b0
2.在训练集中选取数据(xi,yi)
3.如果yi(w·xi+b)
学习算法的直观解释：
当一个实例点被误分类，即位于分离超平面的错误一侧时，则调整w和b的值，使得分离超平面向该错误分类点
的一侧移动，以减少该错误分类点与超平面间的距离，直至超平面越过该误分类点使其被正确分类。
2.代码实现
import numpy as np
训练集
train_set = np.array([[3, 3, 1],
[4, 3, 1],
[1, 1, -1]])
w = np.array([0, 0]) # 权重参数
b = 0 #偏置
l = 1 # 学习率
更新该样本点参数
def update(item):
global w, b # 全局变量（便于修改全局变量w和b）
# 计算w和b ——w += l * yi * xi，b += l * yi
w += l * item[-1] * item[:-1]
b += l * item[-1]
# 打印结果
print("w={}, b={}".format(w, b))
检查是否有错误分类点
def check():
# 默认无错误分类点
flag = False
# 检查所有样本点
# 记录检查结果
res = 0
for item in train_set:
# 计算w*xi+b
res = (w * item[:-1]).sum() + b
# 计算yi(w*xi+b)
res *= item[-1]
# 判断是否错误分类
if res <= 0: # 错误分类 flag="True" 更新该样本点参数 update(item) return if __name__="=" "__main__": for i in range(100): 无错误分类点，结束迭代 not check(): check返回false，表示无错误分类点 break 有错误分类点，需继续迭代 flag: print("100次迭代，可以完成正确分类！") else: print("100次迭代，不可完成正确分类！") < code></=>
3.代码结果
w=[3 3], b=1
w=[2 2], b=0
w=[1 1], b=-1
w=[0 0], b=-2
w=[3 3], b=-1
w=[2 2], b=-2
w=[1 1], b=-3
100次迭代，可以完成正确分类！
4.参考
李航——统计学习方法
林轩石——机器学习基石
知乎——《浅析感知机二》
; 谢谢观看， 欢迎交流、支持点赞和收藏哦 ~
Original: https://blog.csdn.net/qq_44714448/article/details/125953251
Author: 学习砖家
Title: 感知机算法之Python代码实现
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/647729/
转载文章受原作者版权保护。转载请注明原作者出处！