简单感知机Python实现

视频地址 https://www.imooc.com/video/17903

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.rcParams['figure.figsize'] = {8.0, 6.0}  # 生成图的大小

# 产生新画布
fig = plt.figure();

figa = plt.gca()

N = 100
# 随机产生N个 2维的0-1之间的数组  如 [[0.2 0.4],[0.333 0.43233]]
xn = np.random.rand(N, 2)
print(xn)
# 随机产生50个 0到1之间的数组
x = np.linspace(0, 1)


a = np.random.rand()  # 随机生成一个0~1之间的数字
b = np.random.rand()
# 随机生成一条直线
f = lambda x: a * x + b

plt.plot(x, f(x), 'r')
# 线性分割前面产生的点
yn = np.zeros([N, 1])  # 生成N个1维的0数组 （类似于定义一个空的数组）
for i in range(N):
    if (f(xn[i, 0]) >= xn[i, 1]):
        yn[i] = 1
        plt.plot(xn[i, 0], xn[i, 1], 'bo', markersize=12)  # 蓝色圆圈标记
    else:
        yn[i] = -1
        plt.plot(xn[i, 0], xn[i, 1], 'go', markersize=12)  # 绿色圆圈标记


#  感知机
# xn 数据点     N*2的向量
# yn 分类结果   N*1的向量
# MaxIter 训练次数
# 输出 超平面参数y = ax + b最好的分割平面
def perceptron(xn, yn, MaxIter=1000, a=0.01, w=np.zeros(3)):
    # N表示xn有多少个变量
    N = xn.shape[0]
    f = lambda x: np.sign(w[0] * 1 + w[1] * x[0] + w[2] * x[1])

    for _ in range(MaxIter):
        i = np.random.randint(N)
        if (yn[i] != f(xn[i, :])):
            w[0] = w[0] + yn[i] * 1 * a
            w[1] = w[1] + yn[i] * xn[i, 0] * a
            w[2] = w[2] + yn[i] * xn[i, 1] * a
        # print(w)

    return w


w = perceptron(xn, yn)
print("last ===== ")
print(w)
print(a)
print(b)
bnew = -w[0] / w[2]
anew = -w[1] / w[2]
y = lambda x: anew * x + bnew

# 分割颜色
sep_color = (yn) / 2.0

plt.figure()
figa = plt.gca()

plt.scatter(xn[:, 0], xn[:, 1], c=sep_color.flatten(), s=50)
plt.plot(x, y(x), 'b--', label='感知机分类结果')
plt.plot(x, f(x), 'g', label='原始分类曲线')
plt.title('原始曲线与感知机近似结果比较')
plt.legend()
plt.show()

其中

w[0]是偏置的权重值，w[1]是x的权重值，w[2]是y的权重值

由 x[2]*y + w[1]*x + w[0] = 0

a = -w[0] / w[2]

b = -w[1] / w[2]

即调整后的斜率和偏置