感知机算法实现-python-阿里云开发者社区

感知机算法实现-python

2023-02-23 132

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 笔记

一.Python实现《李航统计学》第二章感知机算法。

先来说一下算法原原理吧：

1.感知机由输入空间到输出空间的函数为：

y=sign(w∗x+b)

sign(x)=+1(x>=0)

sign(x)=−1(x<0)

算法实现的步骤如下：

1.初始化w，b

2.遍历数据（x，y）

3.如果遇到sign(w*x(i)+b）!= y(i),则更新w，b

w=w+learning−rate∗y(i)∗x(i)

b=b+learning−rate∗y(i)

4.然后结束本次遍历，转至步骤2，知道数据中没有分类错误的点存在。

import numpy as np
x = np.array([
  [3,3],
  [4,3],
  [1,1]
])
y = np.array([1,1,-1])
w = np.array([1,1])
b = 0
learning_rate = 0.1
for i in range(10):
  temp = -1
  for j in range(x.shape[0]):
    pred = np.sign(np.dot(w,x[j])+b)   
    if pred != y[j]:
      temp = j
      break
  if temp != -1:
    w = w + learning_rate*x[temp]*y[temp]
    b = b + learning_rate*y[temp]

基本迭代几次就可以得到该平面了。

版本二：

import numpy as np
def process(x,y,learning_rate=0.01,epoch=100):
    w = np.ones_like(x[1])
    b = 1
    for i in range(epoch):
        temp = -1
        for j in range(x.shape[0]):
            pred = np.sign(np.dot(w,x[j])+b)
            if pred != y[j]:
                temp = j
                break
        if temp != -1:
            w = w + learning_rate * x[temp] * y[temp]
            b = b + learning_rate * y[temp]
x = np.array([
  [3,3],
  [4,3],
  [1,1]
])
y = np.array([1,1,-1])
process(x,y,1,10)

版本三：

import numpy as np
class Perceptron:
    def fit(self,x,y,learning_rate=0.1, epoch=100):
        self.x = x
        self.y = y
        self.learning_rate = learning_rate
        self.epoch = epoch
        self.w = np.ones_like(x[1])
        self.b = 1
        for i in range(self.epoch):
            temp = -1
            for j in range(self.x.shape[0]):
                pred = np.sign(np.dot(self.w, self.x[j]) + self.b)
                if pred != self.y[j]:
                    temp = j
                    break
            if temp != -1:
                self.w = self.w + self.learning_rate * self.x[temp] * self.y[temp]
                self.b = self.b + self.learning_rate * self.y[temp]
    def pred(self,x):
        return np.sign(np.dot(self.w,x)+self.b)
x = np.array([
  [3,3],
  [4,3],
  [1,1]
])
y = np.array([1,1,-1])
a = Perceptron()
a.fit(x,y,1)
print(a.pred(np.array([1,1])))