老师好，运行代码时显示构造类传参有误，哪里错了呢？

####### 算法代码 #######

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_: 队列，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_feateures]

        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]

            zip(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：

                [Δw(1) = X[1]*update, Δw(2) = X[2]*update, Δw(3) = X[3]*update]

                """

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

                self.w_[0] += update;

                errors += int(update != 0.0)

                self.errors_.append(errors)

                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

####### 图形化代码 #######

import matplotlib.pyplot as plt

import numpy as np

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

# 取出0到100行第四列

y = df.loc[0:100, 4].values

y = np.where(y == 'Iris-setosa', -1, 1)

# 抽取前100条数据的第0列和第2列

X = df.iloc[0:100, [0, 2]].values

# 前50条数据第0列当作x坐标，前50条数据第1列当作y坐标

plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa')

plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')

plt.xlabel('花瓣长度')

plt.ylabel('花径长度')

# 设置图例位置

plt.legend(loc='upper left')

plt.show()

####### 报错的代码 #######

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('错误分类次数')

plt.show()

上面代码运行时报错，Perceptron类中申明了predict方法，为什么报没有predict属性呢：

<ipython-input-98-9ba268a8ffae> in fit(self, X, y)

     40                 update = η * (y - y')

     41                 """

---> 42                 update = self.eta * (target - self.predict(xi))

     43                 """

     44                 xi是一个向量

AttributeError: 'Perceptron' object has no attribute 'predict'