本文介绍了人工神经元在机器学习中的历史，特别是感知器模型，包括其定义、学习规则以及用Python实现的PerceptronAPI。通过在鸢尾花数据集上训练感知器模型，展示了如何绘制决策边界并观察模型性能。
Copyright © 2019 Sebastian Raschka
https://github.com/rasbt/python-machine-learning-book-3rd-edition
《Python机器学习 第三版》第二章训练简单的机器学习分类算法
文章目录
人工神经元 - 机器学习的早期历史
人工神经元的定义
我们把人工神经元的逻辑放在二元分类的场景，将这两个类分别命名为1（正类）和-1（负类）然后定义决策函数 ϕ ( z ) \phi(z) ϕ(z)。给出以下定义：
z = w 0 x 0 + w 1 x 1 + ⋯ + w m x m = w T x z = w_0x_0+w_1x_1+\cdots+w_mx_m = \boldsymbol{w^Tx} z=w0x0+w1x1+⋯+wmxm=wTx
其中，权重零定义为 w 0 = − θ , x 0 = 1 w_0=-\theta, x_0=1 w0=−θ,x0=1,且在机器学习文献中，我们通常把负的阈值或权重 w 0 = −
最低0.47元/天 解锁文章
扫一扫
2053
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
