【详细】用matlab实现感知机

最近在看李航老师的统计学习，故学习使用matlab语言实现了一下感知机的算法，下面简单总结一下一些注意事项。

1.注意判断误分类点，没有误分类点后要及时退出迭代循坏，不然会一直迭代。
2.感知机绘制出来的分类超平面不止一个，采用不同的初始值和迭代时选取误分类点的顺序不同，得出的解也不同。
3.话不多说，上代码。
(1) Perceptron.m函数

function [W,b] = Perceptron(X,y,Maxstep)
%感知机学习算法
%W为待求的权重向量，b为偏差
%X为输入空间,本次取二维的，y为输出空间，取值为[-1,1]

[n,m] = size(X);%求解矩阵X的大小
%给权值和偏差赋初始值，指定学习步长
W = zeros(m,1);%W为m行的列向量
b = 0;%设置偏差的初始值为0
mu = 0.5;%将学习步长设置为0.5，0<mu<=1

for step = 1:Maxstep%迭代更新参数值
    miss_flag = true;%设置一个标志位用来判断是否存在误分类点
    for i = 1:n %
        if (y(i)*(X(i,:)*W+b))<=0%判断随机选择的点是否是误分类点
            miss_flag = false;%若随机选择的点是误分类点，则将标志位设置为false
            %根据梯度下降法更新权重和偏差参数
            W = W + mu*y(i)*X(i,:)';
            b = b + mu*y(i);
        end
    end
    if miss_flag == true%如果标志位为true,表示误分类点数为0，算法已经实现正确分类，不需要继续迭代更新了，跳出循坏
        break       
    end
end

(2)Perceptron_test.m主函数

%算法实际实现
clc
%指定输入空间
X = [3,3;4,3;1,1];
%指定输出空间
y = [1,1,-1];

n = size(y,2);%求解y的列长度

%绘制出特征空间中的实例点

for j = 1:n
    if y(j) == 1%绘制正实例点
        plot(X(j,1),X(j,2),'r*');
    end
    if y(j) == -1%绘制负实例点
        plot(X(j,1),X(j,2),'b*');
    end
    hold on %该语句可以在原图的基础上绘制新的图像，不加则只能看到最后一个点
end

%调用函数更新参数
[W,b] = Perceptron(X,y,2000);

xlabel =linspace(0,5,500);
ylabel = -(W(1)/W(2))*xlabel -b/W(2);%将X(2)看成因变量，X（1）看作自变量，故可以得出算法绘制出的超平面
plot(xlabel,ylabel);