這一節有問題，運行時有錯誤，解決方法如下：

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.zeros(1+X.shape[1])
??????? self.errors_ = []

??????? for _ in range(self.n_iter):
??????????? errors =0
??????????? for xi,target in zip(X,y):
??????????????? update = self.eta * (target - self.predict(xi))
??????????????? self.w_[1:] += update * xi
??????????????? self.w_[0] += update
??????????????? errors += int(update != 0.0)
??????????? self.errors_.append(errors)
??????? return self

??? def net_input(self, X):
??????? """Calculate net input"""
??????? return np.dot(X, self.w_[1:]) + self.w_[0]

??? def predict(self, X):
??????? """Return class label after unit step"""
??????? return np.where(self.net_input(X) >= 0.0, 1, -1)
?? ?
ppn = Perceptron(eta=0.1,n_iter=10)
ppn.fit(X,y)
print('Totalnumberofmisclassifications:%dof100'%(y!=ppn.predict(X)))
plt.plot(range(1,len(ppn.errors_) + 1),ppn.errors_,marker='o')
plt.xlabel('Epochs')
plt.ylabel('errorclassifynumber')
plt.show()

意思就是把這個類和ppn=.... 放在一起，同時，這個類還要改一下，你可以發現我這個類和視頻里的有一點點不一樣，但沒有影響

# -*-coding: utf-8
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
? ? ? ?pass
? ?def fit(self,X,y):
? ? ? ?"""
? ? ? ?:param X:訓練樣本，電信號向量;
? ? ? ?X:shape(n_samples,n_features)X中的樣本個數，接收電信號的個數
? ? ? ?X:[[1,2,3],[4,5,6]] n_samples:2;n_features:3
? ? ? ?:param y:樣本對應的分類
? ? ? ?y:[1,-1]
? ? ? ?zip(X,y)=[[1,2,3,1],[4,5,6,-1]]
? ? ? ?初始化權重向量
? ? ? ?加一是因為將閾值作為w0
? ? ? ?"""
? ? ? ?self.w_=np.zeros(1+X.shape[1])
? ? ? ?self.errors_=[]
? ? ? ?for _ in range(self.n_iter):
? ? ? ? ? ?errors=0
? ? ? ? ? ?for xi,target in zip(X,y):
? ? ? ? ? ? ? ?"""
? ? ? ? ? ? ? ?update = eta*(y-y')
? ? ? ? ? ? ? ?xi是一個向量,更新權重
? ? ? ? ? ? ? ?"""
? ? ? ? ? ? ? ?update=self.eta*(target-self.predict(xi))
? ? ? ? ? ? ? ?self.w_[1:] += update * xi
? ? ? ? ? ? ? ?self.w_[0] += update ?# 更新閾值
? ? ? ? ? ? ? ?errors+=int(update)
? ? ? ? ? ? ? ?self.errors_.append(errors)
? ? ? ? ? ? ? ?pass
? ? ? ? ? ?pass
? ? ? ?pass

? ?def net_input(self, X):
? ? ? ?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


import pandas as pd
import matplotlib.pyplot as plt

file='/home/bokebi/competition/tianchi_speed_prediction/learn_project/LSTM-Neural-Network-for-Time-Series-Prediction/imoocdata.csv'
df=pd.read_csv(file,header=None)
y=df.loc[0:100,4].values
y=np.where(y=='Iris-setosa',-1,1)
x=df.loc[0:100,[0,2]].values

from matplotlib.colors import ListedColormap
def plot_decision_regions(X,y,classifier,resolution=0.02):
? ?markers=('s','x','o','v')
? ?colors=('red','blue','lightgreen','gray','cyan')
? ?cmap=ListedColormap(colors[:len(np.unique(y))])
? ?pass

? ?x1_min,x1_max=x[:,0].min()-1,x[:,0].max()
? ?x2_min,x2_max=x[:,1].min()-1,x[:,1].max()

? ?xx1,xx2=np.meshgrid(np.arange(x1_min,x1_max,resolution),np.arange(x2_min,x2_max,resolution))
? ?classifier.fit(X,y)
? ?Z=classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)
? ?Z=Z.reshape(xx1.shape)
? ?plt.contourf(xx1,xx2,Z,alpha=0.4,cmap=cmap)
? ?plt.xlim(xx1.min(),xx1.max())
? ?plt.xlim(xx2.min(),xx2.max())
? ?for idx,c1 in enumerate(np.unique(y)):
? ? ? ?plt.scatter(x=X[y==c1,0],y=X[y==c1,1],alpha=0.8,c=cmap(idx),marker=markers[idx],label=c1)
? ?pass

ppn=Perceptron()
plot_decision_regions(x,y,ppn,resolution=0.02)
plt.xlabel('len1')
plt.ylabel('len2')
plt.legend(loc='upper left')
plt.show()