亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

class?AdalineGD(object):
????def?__init__(self,?eta,?n_iter):
????????self.eta?=?eta
????????self.n_iter?=?n_iter
????def?fit(self,?X,?y):
????????self.w_?=?np.zeros(1?+?X.shape[1])
????????self.cost_?[]
????????for?i?in?range(self.n_iter):
????????????output?=?self.net_input(X)
????????????errors?=?y?-?output
????????????self.w_[1:]?+=?self.eta?*?X.T.dot(errors)
????????????self.w_[0]?+=?self.eta?*?errors.sum()
????????????cost?=?(errors?**?2).sum()?/?2.0
????????????self.cost_.append(cost)
????????return?self
????def?net_input(self,?X):
????????return?np.dot(X,?self.w_[1:])?+?self.w_[0]
????def?activation(self,?X):
????????return?self.net_input(X)
????def?predict(self,?X):
????????return?np.where(self.activation(X)?>=?0,?1,?-1)

η是前面提到的學習率，μ=-η。

倒數第三行，求和符號下面的是j，不是i。

對w求偏導，會得到一條切線的斜率k，當在U形圖左半部的時候，k<0，增大w的值，在在右半部的時候，k>0，減小w的值，就會找到J(w)的最小值。

不斷調整w0-wm，使得J(w)的值最小，對神經元的訓練效果才最好。

感知器的激活函數是步調函數，輸入值大于給定的閾值輸出1，小于輸出0。自適應線性神經元激活函數是1*w0+x1*w1+... 點積求和的計算結果與正確的結果比較

from?matplotlib.colors?import?ListedColormap
def?plot_decision_region(X,?y,?classifier,?resolution=0.02):
????marker?=?('s',?'x',?'o',?'v')
????colors?=?('red',?'blue',?'lightgreen',?'gray',?'cyan')
????cmap?=?ListColormap(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()
????
????#?將np.arange()中的向量擴展成一個矩陣
????'''
????xx1:
????a?=?np.arange(x1_min,?x1_max,?resolution)?向量元素為185個
????xx1[255,?185],將a中的元素作為一行，重復255行
????xx2:
????b?=?np.arange(x2_min,?x2_max,?resolution)?向量元素為255個
????xx2[255,?185],將b中的元素作為一列，重復185列
????'''
????xx1,?xx2?=?np.mesbgrid(np.arange(x1_min,?x1_max,?resolution),
???????????????????????????np.arrange(x2_min,?x2_max,?resolution))

file?=?"iris.csv"
import?pandas?as?pd?#?數據讀取類庫
#?header指定文件是否有表頭
df?=?pd.read_csv(file,?header?=?None)
#?顯示文件前十行
df,head(10)
import?matplotlib.pyplot?as?plt
import?numpy?as?np
#?得到數據前一百行的第五列
y?=?df.loc[0:100,?4].values
print(y)
#?將字符串轉化為數字
y?=?np.where(y?==?'Iris-setosa',?-1,?1)
#?抽取數據第0列和第2列
x?=?df,iloc[0:100,?[0,?2]].values
#?scatter散列點繪圖
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('花瓣長度')
plt.ylabel('花莖長度')
plt.legend(loc='upper?left')
plt.show()

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.zero(1?+?X.shape[1])
????????self.error_?=?[]
????????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?=?n?*?(y?-?y')
????????????????'''
????????????????update?=?self.eta?*?(target?-?self.predict(xi))
????????????????'''
????????????????xi是一個向量
????????????????update?*?xi等價于
????????????????[w1?=?x1*update,?w2?=?x2*update,?......]
????????????????'''
????????????????self.w_[1:]?+=?update?*?xi
????????????????self.w_[0]?+=?update
????????????????errors?+=?int(update?!=?0.0)
????????????????self.errors_.append(errors)
????????def?net_input(self,?X):
????????????'''
????????????z?=?w0*1?+?w1*x1?+?w2*x2?+.....
????????????np.dot()是做點積
????????????'''
????????????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)

import?numpy?as?np
class?Perceptron(object):
????'''
????eta：學習率
????n_iter：權重向量的訓練次數
????w_：神經分叉權重向量
????errors_：用于記錄神經元判斷出錯次數
????'''
????def?__init__(self,?eta?=?0.01,?n_iter?=?10);
????????self.eta?=?eta
????????self,n_iter?=?n_iter
????def?fit(self,?X,?y):
????????'''
????????輸入訓練數據，培訓神經元
????????X是輸入樣本向量，y是對應的樣本分類
????????X:shape[n_samples,?n_features]
????????X:[[1,?2,?3],?[4,?5,?6]]
????????n_samples:?2
????????n_features:?3
????????y:[1,?-1]
????????'''
????????#初始化權重向量為0，加1是因為提到的w0,即步調函數的閾值
????????self.w_?=?np.zero(1?+?X.shape[1])
????????self.errora_?=?[]

適用范圍：預測的數據是可以進行線性分割的

感知器的隱含層是點積求和函數

權重更新算法

學習率是訓練者人為設置的

右側的關于z的函數就是感知器

感知器數據分類算法步驟