本文介绍了如何使用Python实现感知器和自适应线性神经元（Adaline）。首先讲解了感知器的基本原理和工作流程，然后通过代码展示了如何训练感知器对鸢尾花数据集进行分类。接着，文章详细阐述了Adaline的工作机制，并通过实例演示了Adaline的梯度下降优化过程，展示了模型在迭代中逐渐提高分类效果的过程。
目录：
一：感知器
二：自适应性线性神经元
视频来源：慕课网http://www.imooc.com/learn/813
正文：
一：感知器
感知器属于监督学习算法类别，更具体地说是单层二值分类器。简而言之，分类器的任务就是基于一组输入变量，预测某个数据点在两个可能类别中的归属。
对于输入信号，经过W的权值进行弱化将信号变小。最后输出到细胞核Z中。而Z不会直接传递出去，而是通过激活函数（即sin或其他函数）进行分类。
如上图的简单激活函数，即大于某个阈值（如0）则输出1，否则输出0.
总体如下图：
其中学习率n需要根据经验来设定。
上图：阈值在开始的时候被当成是W（0），后来每次进行更新
我发现，无论是分类器还是自适应线性神经网络，W（0）和其他的W（1:n）是不一样的计算公式，W（0）是阈值，不需要乘以输入的Xi。
上图：第二第三种是线性不可分割的。
数据越多，权值更新越好，输出结果越准确。
编程：
安装anaconda navigator。（备注：装的是anaconda，里面分别是Anaconda Cloud，Anaconda Navigetor，Anaconda Prompt,IPython，Jupyter Notebook，Jupyter QTCConsole，Reset Spyder Settings，和Spyder。安装和介绍：
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
