个回答

• Du1in9

  2020-07-20 09:11:28

  
  

  

  觉得有用点个赞哦~
  

  1

• Du1in9

  2020-07-20 09:09:20

  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)

  
  

  注释1：
      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
  注释2：
      输入训练数据，培训神经元，X是输入样本向量，y是对应的样本分类
      X:shape[n_samples, n_features]
      比如：X:[[1, 2, 3], [4, 5, 6]]
      那么：n_samples: 2，n_features: 3，y:[1, -1]
  
      初始化权重向量为0，加1是因为提到的w0,即步调函数的阈值
  注释3：
      比如：X:[[1, 2, 3], [4, 5, 6]
      所以y:[1, -1]，zip(X, y):[[1, 2, 3, 1]. [4, 5, 6, -1]]
  
      update = n * (y - y')
  注释4：
      xi是一个向量
      update * xi等价于：[ w1 = x1*update, w2 = x2*update, ...]
  注释5：
      z = w0*1 + w1*x1 + w2*x2 + ... 
      np.dot()是做点积

  
  

  1

• qq_雙子_04312075

  2018-12-21 16:50:17

  把net_input  predict这两个函数从fit函数拿到外部  与fit函数平级  然后检查下自己的函数名有没有写错

  0