感知机实现—随机数据

最新推荐文章于 2022-09-22 23:25:14 发布

DMU_lzq1996

最新推荐文章于 2022-09-22 23:25:14 发布

阅读量674

点赞数

CC 4.0 BY-SA版权

分类专栏：统计学习方法算法实现

本文链接：https://blog.youkuaiyun.com/DMU_lzq1996/article/details/83016792

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__