单层感知器-2| 学习笔记

开发者学堂课程【机器学习算法 ：单层感知器-2】学习笔记，与课程紧密联系，让用户快速学习知识。

课程地址：https://developer.aliyun.com/learning/course/535/detail/7235

单层感知器-2

 

单层感知器的例子

输入样本： ， ， ，

期望输出： ，训练单节点的感知器。

网络拓扑结构如图：

步骤：

1.初始化权重向量和学习效率：

2.对样本 计算每个节点的输出：

3.计算本次处理实际输出与期望输出的差：

4.权重更新：

5.当前权重向量和学习速率：

6.对样本 计算每个节点的输出：

7.计算本次处理实际输出与期望输出的差：

8.权重更新：

注意：如果实际输出和期望输出一致，无需更改权重。

9.当前权重向量和学习速率：

10.对样本 计算每个节点的输出：

11. 计算本次处理实际输出与期望输出的差：

12. 权重更新：

13.当前权重向量和学习速率：

14.对样本 计算每个节点的输出：

15. 计算本次处理实际输出与期望输出的差

16. 权重更新：

17.当前权重向量和学习速率：

18.对样本 计算每个节点的输出：

 

19. 计算本次处理实际输出与期望输出的差：

20. 权重更新：

21.当前权重向量和学习速率：

22.对样本 计算每个节点的输出：

23. 计算本次处理实际输出与期望输出的差：

24. 权重更新：

   

25.当前权重向量和学习速率：

26.对样本 计算每个节点的输出：

27. 计算本次处理实际输出与期望输出的差：

28. 权重更新：

29.当前权重向量和学习速率：

30.对样本 计算每个节点的输出：

31. 计算本次处理实际输出与期望输出的差：

32. 权重更新：

 

33.当前权重向量和学习速率：

34.对样本 计算每个节点的输出：

35. 计算本次处理实际输出与期望输出的差：

36. 权重更新：

37.当前权重向量和学习速率

38.对样本 计算每个节点的输出：

39. 计算本次处理实际输出与期望输出的差：

40. 权重更新：

41.当前权重向量和学习速率

42.对样本 计算每个节点的输出：

43. 计算本次处理实际输出与期望输出的差：

44. 权重更新：

四个样本都是实现期望输出和实际输出一致的要求

45．分隔超平面： ,如图：

（红颜色的点为输出等于1.蓝色的点为输出等于-1。）