-
矩陣的轉置查看全部
-
向量的點乘查看全部
-
神經元的數學表示查看全部
-
這一章講的神經網絡閾值和權重的更新（具體為何可以達到效果不清楚，更新算法步驟還要再看一遍記錄）查看全部
-
if __name__ == '__main__': file = 'iris.data' df = pd.read_csv(file, header=None) # 需要第一行 y = df.loc[0:100, 4].values # 0-100行條目取出來 y = np.where(y == 'Iris-setosa', -1, 1) x = df.iloc[0:100, [0, 2]].values # 把第0列和第2列的0-100行數據抽取出來組成一個新的二維數組 # 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(u'花瓣的長度') # plt.ylabel(u'花徑的長度') # plt.legend(loc='upper left') # plt.show() 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(u'Epochs') # plt.ylabel(u'錯誤分類次數') plot_decision_regions(x, y, ppn, resolution=0.02) plt.xlabel(u'花瓣的長度') plt.ylabel(u'花徑的長度') plt.legend(loc='upper left') plt.show() pass查看全部
-
感知器算法的最終結果就是得到合適的權重向量查看全部
-
感知器算法的適用范圍是：能線性區分的樣本查看全部
-
權重更新算法查看全部
-
步調函數和閾值查看全部
-
感知器數據分類算法步驟，通過訓練樣本x反復訓練，調整權重W的值，以達到最合適的值查看全部
-
矩陣的轉置查看全部
-
向量點積查看全部
-
激活函數查看全部
-
求偏導查看全部
-
偏微分方程求導查看全部
舉報
0/150
提交
取消