ppn = Perceptron(eta=0.1, n_iter=10)
ppn.fit(X, y)
plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')
plt.xlabel("Epochs")
plt.ylabel("error count")
plt.show()

from matplotlib.colors import ListedColormapdef plot_decision_region(X, y, classifier, resolution=0.02):
    marker = ('s', 'x', 'o', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')    # len(np.unique(y)=2
    cmap = ListedColormap(colors[:len(np.unique(y))])    # 花茎的长度
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max()    # 花瓣的长度
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()
    print(x1_min, x1_max)
    print(x2_min, x2_max)    # （备注）
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))    # 输出语句
    print(np.arange(x1_min, x1_max, resolution).shape)
    print(np.arange(x1_min, x1_max, resolution))
    print(xx1.shape)
    print(xx1)
    print(np.arange(x2_min, x2_max, resolution).shape)
    print(np.arange(x2_min, x2_max, resolution))
    print(xx2.shape)
    print(xx2)# 执行语句plot_decision_region(X, y, ppn, resolution=0.02)

备注：
    将np.arange()中的向量扩展成一个矩阵

    a = np.arange(x1_min, x1_max, resolution) 向量元素为185个
    xx1[255, 185],将a中的元素作为一行，重复255行
    b = np.arange(x2_min, x2_max, resolution) 向量元素为255个
    xx2[255, 185],将b中的元素作为一列，重复185列

谢谢采纳~

x小写

把predict函数拿出来，和fit函数并列

predict函数和fit函数对齐就可以了。刚刚才发现的。

看看你的定义初始化函数 def __init__;

你可能写成了def __int__

他就是一个参数变量，代表类对象，感知器算法中是一个Perceptron对象，适应性神经元算法中是一个AdlineGD对象。

import numpy as npclass Perceptron(object):
    # 注释1
    def __init__(self, eta = 0.01, n_iter = 10):        self.eta = eta        self.n_iter = n_iter    def fit(self, X, y):        # 注释2
        self.w_ = np.zeros(1 + X.shape[1])        self.errors_ = []        for _ in range(self.n_iter):
            errors = 0
            # 注释3
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))                # 注释4
                self.w_[1:] += update * xi                self.w_[0] += update
                errors += int(update != 0.0)                self.errors_.append(errors)    def net_input(self, X):        # 注释5
        return np.dot(X, self.w_[1:]) + self.w_[0]    def predict(self, X):        return np.where(self.net_input(X) >= 0.0, 1, -1)

Perceptron拼错了

我觉得应该是对的

需要把def net_input()和def predict()两个函数放到def fit()函数的前面

原因：代码好像是从上往下解释的，执行到fit函数式，程序还不知道有net_input和predict这两个函数

、你看185的是从3.3开始的，到7.0结束。255的是从0.0开始到5.1结束，自增是0.02，这样就形成了对应的点

少了，而且加上了还报错

假设向量w有m+1个元素，但只有后m个是权重，第一个是阈值

你看一下代码，照着改一下，应该就能解决。
from matplotlib.colors import ListedColormap
def plot_decision_regions(X, y, classifier, resolution=0.02):    
    marker = ('s', 'x', 'o', 'v')    
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')    
    cmap = ListedColormap(colors[:len(np.unique(y))])    
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max()    
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()    
    #将x1、x2最大最小值通过arange函数得到的向量，扩展成两个二维矩阵    
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))    
    #预测    
    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T) #ravel还原成单维向量    
    #绘制    
    Z= Z.reshape(xx1.shape) #将Z转换成与xx1一样的二维数组    
    plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap) #在两组分类结果中间画分割线-->必须线性可分    
    plt.xlim(xx1.min(), xx1.max())    
    plt.ylim(xx2.min(), xx2.max())    
    for idx, cl in enumerate(np.unique(y)):        
        plt.scatter(x=X[y==cl, 0], y=X[y==cl, 1], alpha=0.8, c=cmap(idx), marker=marker[idx], label=cl)
        
        
ppn = Perceptron(0.1, 10)
ppn.fit(X, y)
plot_decision_regions(X, y, ppn, resolution=0.02)

第一段改为如下写法，具体原因可以对照得出：

import numpy as np

class Perceptron(object):

    """

    eta:学习率

    n_iter:权重向量的训练次数

    w_:神经分叉权重向量

    errors_:用于记录神经元判断出错次数

    """

    def __init__(self, eta = 0.01, n_iter=10):

        self.eta = eta;

        self.n_iter = n_iter;

        pass

    def fit(self, X, y):

        """

        输入训练数据，培训神经元，X输入样本向量，y对应样本分类

        X:shape[n_samples, n_features]

        X:[[1,2,3], [4,5,6]]

        n_samples:2

        n_features:3

        y:[1,-1]

        """

        """

        初始化权重向量为0

        加一是因为前面算法提到的w0，也就是步调函数阈值

        """

        self.w_ = np.zeros(1 + X.shape[1]);

        self.errors_ = [];

        for _ in range(self.n_iter) :

            errors = 0

            """

            X:[[1,2,3], [4,5,6]]

            y:[1,-1]

            zi(X,y) = [([1,2,3],1), ([4,5,6],-1)]

            """

            for xi, target in zip(X,y):

                """

                update = η * (y - y')

                """

                update = self.eta * (target - self.predict(xi))

                """

                xi是一个向量

                update * xi 等价：

                [▽W(1) = X[1]*update, ▽w(2) = X[2]*update, ▽w(3) = X[3]*update]

                """

                self.w_[1:] += update * xi

                self.w_[0] += update;

                errors += int(update != 0.0)

                self.errors_.append(errors)

                pass

            pass

        pass

    def net_input(self, X):

            """

            z = W0*1 + W1*X1 +.... Wn*Xn

            """

            return np.dot(X, self.w_[1:]) + self.w_[0]

            pass

    def predict(self, X):

            return np.where(self.net_input(X) >= 0.0 , 1, -1)

            pass

    pass

同学您好，任务一的答案是margin:0pxauto;任务二的答案是width:100%;谢谢您的关注与支持，祝您学有所成！<textareaclass="form-control"rows="3"style="resize:none;"></textarea>我这样设置了一下，没有那个拖动的了啊

同问

自己写进去的代码执行报错

TypeError                                 Traceback (most recent call last)<ipython-input-65-7b957d04361e> in <module>----> 1 ppn = Perceptron(eta=0.1, n_iter=10)      2 ppn.fit(X, y)      3 plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')      4 plt.xlabel('Epochs')      5 plt.ylabel('错误分类次数')TypeError: Perceptron() takes no arguments

应该是zeros

你可以试试把y的数值减小一个

y=df.loc[0:99,4].values

这一节有问题，运行时有错误，解决方法如下：

import numpy as np
class Perceptron(object):

    def __init__(self, eta=0.01, n_iter=10):
        self.eta=eta
        self.n_iter=n_iter

    def fit(self, X, y):
        self.w_=np.zeros(1+X.shape[1])
        self.errors_ = []

        for _ in range(self.n_iter):
            errors =0
            for xi,target in zip(X,y):
                update = self.eta * (target - self.predict(xi))
                self.w_[1:] += update * xi
                self.w_[0] += update
                errors += int(update != 0.0)
            self.errors_.append(errors)
        return self

    def net_input(self, X):
        """Calculate net input"""
        return np.dot(X, self.w_[1:]) + self.w_[0]

    def predict(self, X):
        """Return class label after unit step"""
        return np.where(self.net_input(X) >= 0.0, 1, -1)
    
ppn = Perceptron(eta=0.1,n_iter=10)
ppn.fit(X,y)
print('Totalnumberofmisclassifications:%dof100'%(y!=ppn.predict(X)))
plt.plot(range(1,len(ppn.errors_) + 1),ppn.errors_,marker='o')
plt.xlabel('Epochs')
plt.ylabel('errorclassifynumber')
plt.show()

意思就是把这个类和ppn=.... 放在一起，同时，这个类还要改一下，你可以发现我这个类和视频里的有一点点不一样，但没有影响

先创建感知器

ppn = Perceptron(eta=0.1, n_iter=10)

然后训练就可以了

ppn.fit(X, y)

np.zeros()

将net_input 和 predict 方法 放到 fit方法外面

    #画分界线
    x1_min, x1_max = X[:, 0].min()-1, X[:, 0].max()
    x2_min, x2_max = X[:, 1].min()-1, X[:, 1].max()
    ## 生成网格数据
    ## xx1为横隔线
    ## xx2为纵隔线
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
                           np.arange(x2_min, x2_max, resolution))
    z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)      
    z = z.reshape(xx1.shape)
    ## 绘制denggaoxian, f代表fill, 没有f则不填充颜色
    ## alpha 为颜色为填充颜色透明度
    plt.contour(xx1,xx2,z,alpha=0.4,cmap = cmap)
    plt.contourf(xx1,xx2,z,alpha=0.4,cmap = cmap)
    plt.xlim(xx1.min(), xx1.max())
    plt.ylim(xx2.min(), xx2.max())
    plt.xlabel('pedal length')
    plt.ylabel('scape length')

这部分代码其实只是为了描绘出分隔两类的那条分界线，减1只是为了扩大坐标轴范围，点更居中一些，这样画出的图会更好看。

以上，谢谢！

ppn = Perceptron(eta=0.1, n_iter=10)
ppn.fit(X, y)

先要定义ppn这个对象

同问！

I got the same error