python如何實現感知器學習算法

這篇文章主要介紹python如何實現感知器學習算法，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

我們將研究一種判別式分類方法，其中直接學習評估 g(x）所需的 w 參數。我們將使用感知器學習算法。
感知器學習算法很容易實現，但為了節省時間，我在下面為您提供了一個實現。該函數有幾個輸入：訓練數據、訓練標簽、對權重的初始猜測和學習率。注意，對于這兩個類，類標簽的值必須為+1和-1。

它將返回一個元組，其中包含：

• 1.學習w參數

• 2.執行的迭代次數

• 3.錯誤分類的樣本數

花些時間檢查代碼。如果不清楚每一行是如何工作的，不要擔心，只要讓你自己知道每一行的目的是什么就可以了。代碼中有一些注釋可以幫助大家。

def perce(X, y, w_init, rho, max_iter=1000):
    
    (N, nfeatures) = X.shape

    # Augment the feature vectors by adding a 1 to each one. (see lecture notes)
    X = np.hstack((X, np.ones((N, 1))))
    nfeatures += 1

    w = w_init  # initialise weights
    iter = 0
    mis_class = N  # start by assuming all samples are misclassified

    while mis_class > 0 and iter < max_iter:
        iter += 1
        mis_class = 0
        gradient = np.zeros(nfeatures)  # initaliase the gradients to 0

        # loop over every training sample.
        for i in range(N):
            # each misclassified point will cause the gradient to change
            if np.inner(X[i, :], w) * y[i] <= 0:
                mis_class += 1
                gradient += -y[i] * X[i, :]
        # update the weight vector ready for the next iteration
        # Note, also that the learning rate decays over time (rho/iter)
        w -= rho / iter * gradient

    return w, iter, mis_class

解釋:

X-數據矩陣。每行代表一個單獨的樣本
y-與X-標簽行對應的整數類標簽的一維數組必須為+1或-1
w_init-初始權重向量
rho-標量學習率
最大迭代次數-最大迭代次數（默認為1000）

def perce_fast(X, y, w_init, rho, max_iter=10000):
  
    (N, nfeatures) = X.shape
    X = np.hstack((X, np.ones((N, 1))))
    nfeatures += 1
    w = w_init
    iter = 0
    mis_class = N
    yy = np.tile(y, (nfeatures, 1)).T
    while mis_class > 0 and iter < max_iter:
        iter += 1
        # Compute set of misclassified points
        mc = (np.dot(X, w.transpose()) * y) <= 0
        mis_class = np.sum(mc)
        # Update weights. Note, the learning rate decays over time (rho/iter)
        w -= rho / iter * (np.sum(-yy[mc, :] * X[mc, :], axis=0))
    return w, iter, np.sum(mc)

以上是“python如何實現感知器學習算法”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！