根据感知机学习规则,分类直线与权重向量正交。
如果开始的分类直线计算出来的Yj与预期输出Dj之间有误差Ej=Dj-Yj,就应该把连接权重Wj的方向依据学习向量X调整。
正误差时,Wj朝着X调整,因此,Wj(t+1)=Wj(t)+n*Ej*X.
据此,在Python中实现最简单的逻辑与的感知机学习代码:
# -*- coding: utf-8 -*-
import numpy as np
#------------------------------------------------------------
# 激活函数
def ssign(val):
if (val>0):
return(1)
else:
return(0);
#------------------------------------------------------------
#学习速率
langda = 0.15 #langda是权重的学习速率
beta = 0.15 #beta是偏置的学习速率
#偏置
ar_theta = np.random.randn(1)
theta = ar_theta[0]
#随机初始化权重
W = np.random.randn(1,2)#随机产生2行1列<-1,+1>
print('init W=', W)
print('------ 开始设置 ------')
#XS是学习样本
XS = np.array([[0, 0],
[0, 1],
[1, 0],
[1, 1]])
#Dj是预期输出结果,即监督值
Dj = np.array([0, 0, 0, 1])
#最大允许的误差
maxDelta = 0.0001
Y