自己设计一个感知机实现二分类算法

最新推荐文章于 2025-10-20 00:25:42 发布

原创

最新推荐文章于 2025-10-20 00:25:42 发布 · 6.8k 阅读

52 ·

CC 4.0 BY-SA版权

本文介绍了一个基于感知器算法的简单神经网络实现过程，包括神经网络的基本组件介绍、Python类的设计与实现、权重更新机制及可视化展示。通过实际案例演示了如何使用感知器解决线性可分的二分类问题。

实现一个简单的神经网络，做一个简单的二分类算法。为了理解神经网络，我们应该先理解神经网络的组成单元——神经元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行，也成功解决了很多问题。并且，感知器算法也是非常简单的。在人工神经网络领域中，感知器也被指为单层的人工神经网络，以区别于较复杂的多层感知器（Multilayer Perceptron）。作为一种线性分类器，（单层）感知器可说是最简单的前向人工神经网络形式。尽管结构简单，感知器能够学习并解决相当复杂的问题。感知器主要的本质缺陷是它不能处理线性不可分问题。
感知器有如下组成部分：
输入权值激活函数输出
以下程序切实实现权值更新，根据误差结果更新迭代，并且观察每次迭代后误差变化，网络趋于收敛。并且对测试集结果进行二分类，并且用可视化图片展示。
其中，在处理过程中，对python类概念、以及多个第三方库有一定了解，比如numpy、matplotlib等。
1.创建一个类作为分类器，可处理更新权重信息、记录误差信息

class AdalineG(object):    
    """    
    eta:float    
    学习效率，处于0和1之间        
    n_iter:int    对训练数据进行学习改进次数        
    w_:一维向量    
    存储权重数值        
    error_:    存储每次迭代改进时，网络对数据进行错误判断的次数    
    """            
    def __init__(self,eta=0.01,n_iter=50):        
        self.eta = eta        
        self.n_iter = n_iter            
    def net_input(self, X):        
        return np.dot(X, self.w_[1:]) + self.w_[0]        
    def activation(self, X):        
        r