感知机实现—随机数据

本文详细探讨了感知机模型如何处理随机生成的数据集。首先,我们介绍了感知机的基本原理,包括其算法和学习过程。接着,通过实例展示了如何用Python实现感知机,并对随机数据进行训练。实验结果显示,尽管数据是随机的,感知机仍能有效地找到一个决策边界来划分两类样本。最后,我们讨论了在随机数据上的收敛性和可能遇到的问题,为读者提供了深入理解感知机在复杂情况下的表现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

import numpy as np
import matplotlib.pyplot as plt

#1、创建数据集
def createdata():
    samples=np.array([[3,-3],[4,-3],[1,1],[1,2]])
    labels=[-1,-1,1,1]
    return samples,labels

#训练感知机模型
class Perceptron:
    def __init__(self,x,y,a=1):
        self.x=x
        self.y=y
        self.w=np.zeros((x.shape[1],1))#初始化权重,w1,w2均为0
        self.b=0
        self.a=1#学习率
        self.numsamples=self.x.shape[0]
        self.numfeatures=self.x.shape[1]

    def sign(self,w,b,x):
        y=np.dot(x,w)+b
        return int(y)

    def update(self,label_i,data_i):
        tmp=label_i*self.a*data_i
        tmp=tmp.reshape(self.w.shape)
        #更新w和b
        self.w=tmp+self.w
        self.b=self.b+label_i*self.a

    def train(self):
        isFind=False
        while not isFind:
            count=0
            for i in range(self.numsamples):
                tmpY=self.sign(self.w,self.b,self.x[i,:])
                if tmpY*self.y[i]<=0:#如果是一个误分类实例点
                    print ('误分类点为:',self.x[i,:],'此时的w和b为:',self.w,self.b)
                    count+=1
                    self.update(self.y[i],self.x[i,:])
            if count==0:
                print ( '最终训练得到的w和b为:',self.w,self.b)
                isFind=True
        return self.w,self.b

#画图描绘
class Picture:
    def __init__
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值