本文介绍了使用简单感知器进行二分类的实践过程。通过《机器学习实战》中的Logistic回归数据集，作者实现了线性分类模型，以输入点x=[1 x y]，输出h(x)=int(xw>0)进行分类。文章详细讲解了感知器的学习过程，包括错误计算、权重调整，并提供了面向对象的感知器实现代码。最后展示了感知器的收敛结果，讨论了在迭代次数增加时边界点抖动的问题，以及平均感知器的概念。
最近了解了感知器，决定实现一个简单的来练习一下。
我采用《机器学习实战》这本书的Logistic回归一节的数据来做二分类。首先我把课本提供的代码中加载数据，绘图的部分封装为了一个工具，可以直接加载数据，处理完后再调用绘图引擎绘图。
这组数据的任务是平面点集的线性二分类。
我原来用Logistic回归+随机梯度算法实现过这个任务，收敛结果如下：
现在采用简单的感知器来进行分类。
下面采用线性分类模型，对于输入点 x = [ 1 x y ] x = [1\ x\ y] x=[1 x y]，输出 h ( x ) = i n t ( x w > 0 ) h(x) = int(xw > 0) h(x)=int(xw>0)（即直线两边分别为两类点）
为了计算出权重 w = [ w 0 w 1 w 2 ] T w = [w_0\ w_1\ w_2]^T w=[
最低0.47元/天 解锁文章
扫一扫
968
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
