感知机的简单代码

最新推荐文章于 2022-07-08 21:14:42 发布

原创最新推荐文章于 2022-07-08 21:14:42 发布 · 514 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#感知机 #python

机器学习理论相关专栏收录该内容

34 篇文章

订阅专栏

本文介绍了一个简单的感知机模型实现过程，使用了经典的鸢尾花数据集进行训练，并展示了如何通过Python和NumPy来手动实现感知机的学习算法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from sklearn import datasets
import numpy as np

def loadData():
    dataset = datasets.load_iris()
    z1,z2 = dataset.data,dataset.target
    dataX = z1[0:100,:]
    dataY = z2[0:100]
    for i in range(100):
        if dataY[i]==0:
            dataY[i]=-1
    return dataX,dataY
'''上面就是准备好了数据
'''
'''从上面的输入数据可知，我们要训练的是一个第一层网络有4个输出，就是四个MP神经
元。输出的一个MP神经元。这整个就是一个二层神经网络。先要训练出w和b，其中w是4个参数
为了简单，这边直接写死。w是一个矢量，一次更新完成。
这里的梯度是一个常数，求一个即可至，因此这里的更新是有一点技巧的
input 向量w，b
       data 是一个一定格式的数据x1,x2,x3,...y1
'''
def perception(data,w0,b0,gama):
    w = w0
    b = b0
    j=0
    while j<5:   #这里是一个一直循环的，重复选取，直到没有误差，可以修改个判断的，这里就不写了。     
        for i in range(data.shape[0]):
            if data[i][-1]*(np.dot(w.T,data[i][:-1])+b)<=0:
                w =w +gama*data[i][-1]*data[i][:-1]
                b = b + gama*data[i][-1]
        j =j+1
    return w,b
#产生数据集
dataX,dataY = loadData()
data = np.column_stack((dataX,dataY))
#初始化参数w，b
w0 = np.array([0,0,0,0])
b0=0
#步长
gama = 0.05
w,b = perception(data,w0,b0,gama)
print(w,b)

def test(data,w,b):
    s=0
    n=data.shape[0]
    for i in range(n):
        if data[i][-1]*(np.dot(w.T,data[i][:-1])+b)>0:
            s +=1
    print('程序的正确率是：',s/n)
test(data,w,b)