感知机模型学习笔记及Python实现_已知:正例:,;负例:,,b初始值设为0,学习率设为1,试构建感知机模型,写出算法步-CSDN博客

本文介绍了机器学习中经典的感知机模型及其学习算法，包括原始形式和对偶形式，并通过Python实现算法并可视化处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

　　最近刚接触李航博士的《统计学习方法》，还是挺赞的一本书，特别适合机器学习初学者的入门。里面主要阐述机器学习中的几大经典模型的理论方面，包括感知机、kNN、决策树、朴素贝叶斯、逻辑回归、SVM等。下面我结合自己的理解先介绍下感知机及其学习算法，然后通过Python实现这一模型并可视化处理。

1. 感知机模型

　　感知机模型如下

f (x) = s i g n (w \cdot x + b)

　　其中，

x 表示实例的特征向量，

w 表示权值向量，

w⋅x 表示

w 和

x 的内积，计算公式为：

w \cdot x = w 1 \cdot x 1 + w 2 \cdot x 2 + \dots + w n \cdot x n

　　sign为符号函数：

s i g n (x) = {+ 1, x \geq 0 - 1, x < 0

　　上面几个公式看着比较抽象，下面从几何的角度看下什么是感知机：

　　从上图可以看到，

w⋅x+b=0 对应于特征空间中的一个超平面（如果特征空间为二维空间，那么超平面为一条直线），该超平面将特征空间划分为正、负两部分。我们要学习得到的感知机模型，就是要求得其中的参数

w 和

x .

2. 学习算法（原始形式与对偶形式对比）

　　感知机学习算法是对以下最优化问题的算法. 给定一个训练数据集

T = {(x 1, y 1), (x 2, y 2), \dots, (x N, y N)}

　　其中，

xi∈χ=Rn,yi∈{−1,1},i=1,2,⋯,N ，求参数

w,b ，使其为以下损失函数极小化问题的解

m i n w, b L (w, b) = - \sum x i \in M y i (w \cdot x i + b)

　　其中

M 为误分类点的集合。
　　关于感知机的损失函数由来以及学习策略这里不再赘述，可以参照《统计学习方法》原著第2章节或者参考资料 .
　　下面我主要从学习算法的原始形式和对偶形式两个方面的对比，来加深该算法的理解。

\	原始形式	对偶形式
输入	数据集 T , 学习率 η(0<η≤1)	数据集 T , 学习率 η(0<η≤1)
输出	w,b;　f(x)=sign(w⋅xi+b)	α,b;　f(x)=sign(∑Nj=1αiyixj⋅xi+b)
误分类条件	yi(w⋅x+b)≤0	yi(∑Nj=1αiyixj⋅xi+b)≤0
迭代更新	w←w+ηyixi;b←b+ηyi	αi←αi+η;b←b+ηyi 　（ α，b 初始值为 0 ）
区别	由误分类点调整 w,b	将 w,b 表示成 x 和 y 的线性组合的形式，从而得到 w,b

问1：如何简单地理解学习算法的对偶形式？
　　通常来说，对于原始形式不好解决的问题，可以转换到对应的对偶形式中，使之更容易求解。比如，在多维空间中运算量较大，感知机学习的对偶形式能够更加简地便计算。
问2：为什么在对偶形式中，迭代更新 α 和 b 能够得到参数 w 和 b 呢？
　　对偶形式的基本想法是，将 w 和 b 表示为实例 xi 和标记 yi 的线性组合的形式，通过求解其系数而求得 w 和 b .现在假设初始值 w0,b0 均为 0 . 对误分类点 (xi,yi) 通过

w \leftarrow w + η y i x i

b \leftarrow b + η y i

　　逐步修改

w,b . 设修改了

n 次，则

w,b 关于

(xi,yi) 的增量分别是

αiyixi 和

αiyi ,这里

αi=niη . 最后学习到的

w,b 可以分别表示为

w = \sum i = 1 N n i η y i x i = \sum i = 1 N α i y i x i

b = \sum i = 1 N n i η y i = \sum i = 1 N α i y i

　　这里，

αi≥0,i=1,2,⋯,N ，当

η=1 时，

αi 表示第i个实例点由于误分二进行更新的次数. 当某一个实例点更新的次数越多，意味着它距离分离超平面越近，也就越难分类. 换句话说，这样的实例对学习结果影响最大.

3. 算法实现

　　例子：正样本点是 x1=(3,3)T,x2=(4,3)T, 负样本点是 x3=(1,1)T, 试用感知机学习算法对偶形式求感知机模型.

import numpy as np

x = np.array([[3,3],[4,3],[1,1]])#创建数据集，共3个实例
y = np.array([1,1,-1])           #创建标签
history = []                     #存储迭代学习过程中的w,b值，便于可视化绘图

gramMatrix = x.dot(x.T)          #计算Gram矩阵，后面需要多次用到
print "gramMatrix = ",gramMatrix

alpha = np.zeros(len(x))        #初始化alpha为零向量
b = 0                           #b为回归直线截距
learnRate = 1                   #初始化为0；learnRate为学习率，设为1
k = 0; i = 0                    #k用来计算迭代次数；i用来判定何时退出while循环 

while 1: 

    if y[i] * (np.sum(alpha * y * gramMatrix[i])+ b)<=0: #误分条件：若某一数据点被错误分类    
        alpha[i] = alpha[i] + learnRate           #更新 alpha 值
        b = b + learnRate * y[i]                  #更新 b 值
        i = 0                                     #i 赋值为0，再遍历一次所有的数据集
        k = k + 1                                 #k + 1 即迭代次数加1
        history.append([(alpha * y.T).dot(x), b]) #存储w，b
        print "iteration counter =",k
        print "alpha = ",alpha
        print "b = ", b
        continue
    else:                       #若某一数据点被正确分类
        i = i + 1
        print "i = ",i

    if i >= x.shape[0]:        #退出while循环条件,即 i >= 3，所有数据点都能正确分类
        print "iteration finish"
        break                  #break 退出wile循环

w = (alpha*y.T).dot(x)         #计算得到权值 w
print "w = ", w
print "b = ", b
print "history w,b = ",history

#==========================可视化===========================#
import matplotlib.pyplot as plt
from matplotlib import animation

fig = plt.figure()
ax = plt.axes()
line, = ax.plot([], [], 'g', lw=2)
label = ax.text([], [], '')

def init():
    global x,y,line,label
    plt.axis([-6, 6, -6, 6])
    plt.scatter(x[0:2,0],x[0:2,1],c ="r",label = "postive",s = 60) #画正样本点
    plt.scatter(x[2,0],x[2,1],c = "y",label = "negtive",s =60)     #画负样本点
    plt.grid(True)
    plt.xlabel('X1')
    plt.ylabel('X2')
    plt.title('myPerceptron')
    return line, label       #返回值为line，label对象，表示这两个对象有动画效果

def animate(i):              #形参 i 表示帧数，即 animation.FuncAnimation 函数形参列表中的frames属性
    global history, ax, line, label

    w = history[i][0]
    b = history[i][1]
    if w[1] == 0: return line, label
    x1 = -6.0                        #点(x1,y1)和点(x2,y2)确定分类超平面
    y1 = -(b + w[0] * x1) / w[1]
    x2 = 6.0
    y2 = -(b + w[0] * x2) / w[1]
    line.set_data([x1, x2], [y1, y2])#画出分类超平面
    x1 = 0.0
    y1 = -(b + w[0] * x1) / w[1]     
    label.set_text(str( history[i][0]) + '  ' + str(b)) #在点 (0,y1) 上绘制文本便签
    label.set_position([x1, y1])
    return line, label

anim = animation.FuncAnimation(fig, animate,init_func=init, frames=len(history), interval=1000, repeat=True,blit=True)
plt.legend(fancybox = True)
plt.show()
#anim.save('perceptron.gif', fps=2, writer='imagemagick') #使用ImageMagick导出GIF图片
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80