代码分享系列（1）之感知机【代码可下载】

微信公众号

关键字全网搜索最新排名

【机器学习算法】：排名第一

【机器学习】：排名第二

【Python】：排名第三

【算法】：排名第四

自从本公众号创建以来就一直深究于统计学习、深度学习等相关机器学习算法原理方面的解读，累计推文四百余篇。开设了机器学习的各个系列，唯独一直没有开设各个算法的代码分享系列，虽然中间会穿插着分享一些部分代码，但是不够全面，不够系统。18年，正式踏入工作，但同时作为《机器学习算法与python学习》的运营，总想着要继续为这7万多小伙伴做些什么。今天，在整理C4.5的时候突然想到可以开设一个代码分享的系列，分享出来的代码有可能存在性能和建模精度等问题，希望大家继续完善，可以在微信讨论群里面讨论。

---

代码下载方式见文末

---

今天，分享给大家的是感知机的python代码。感知机的原理可以参考之前的文章，如下所示：

感知机详解

机器学习(7)之感知机python实现

python代码如下（版本py2.7）

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

class Perceptron(object):
   def __init__(self, input_num, activator):
       '''
       初始化感知器，设置输入参数的个数，以及激活函数。
       激活函数的类型为double -> double
       '''
       self.activator = activator
       # 权重向量初始化为0
       self.weights = [0.0 for _ in range(input_num)]
       # 偏置项初始化为0
       self.bias = 0.0

   def __str__(self):
       '''
       打印学习到的权重、偏置项
       '''
       return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

   
   def predict(self, input_vec):
       '''
       输入向量，输出感知器的计算结果
       '''
       # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
       # 变成[(x1,w1),(x2,w2),(x3,w3),...]
       # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
       # 最后利用reduce求和
       return self.activator(
           reduce(lambda a, b: a + b,
                  map(lambda (x, w): x * w,  
                      zip(input_vec, self.weights))
               , 0.0) + self.bias)

   def train(self, input_vecs, labels, iteration, rate):
       '''
       输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
       '''
       for i in range(iteration):
           self._one_iteration(input_vecs, labels, rate)

   def _one_iteration(self, input_vecs, labels, rate):
       '''
       一次迭代，把所有的训练数据过一遍
       '''
       # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
       # 而每个训练样本是(input_vec, label)
       samples = zip(input_vecs, labels)
       # 对每个样本，按照感知器规则更新权重
       for (input_vec, label) in samples:
           # 计算感知器在当前权重下的输出
           output = self.predict(input_vec)
           # 更新权重
           self._update_weights(input_vec, output, label, rate)

   def _update_weights(self, input_vec, output, label, rate):
       '''
       按照感知器规则更新权重
       '''
       # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
       # 变成[(x1,w1),(x2,w2),(x3,w3),...]
       # 然后利用感知器规则更新权重
       delta = label - output
       self.weights = map(
           lambda (x, w): w + rate * delta * x,
           zip(input_vec, self.weights))
       # 更新bias
       self.bias += rate * delta


def f(x):
   '''
   定义激活函数f
   '''
   return 1 if x > 0 else 0


def get_training_dataset():
   '''
   基于and真值表构建训练数据
   '''
   # 构建训练数据
   # 输入向量列表
   input_vecs = [[1,1], [0,0], [1,0], [0,1]]
   # 期望的输出列表，注意要与输入一一对应
   # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
   labels = [1, 0, 0, 0]
   return input_vecs, labels    


def train_and_perceptron():
   '''
   使用and真值表训练感知器
   '''
   # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
   p = Perceptron(2, f)
   # 训练，迭代10轮, 学习速率为0.1
   input_vecs, labels = get_training_dataset()
   p.train(input_vecs, labels, 10, 0.1)
   #返回训练好的感知器
   return p


if __name__ == '__main__':
   # 训练and感知器
   and_perception = train_and_perceptron()
   # 打印训练获得的权重
   print and_perception
   # 测试
   print '1 and 1 = %d' % and_perception.predict([1, 1])
   print '0 and 0 = %d' % and_perception.predict([0, 0])
   print '1 and 0 = %d' % and_perception.predict([1, 0])
   print '0 and 1 = %d' % and_perception.predict([0, 1])

近期热文

资源 | 26份机器学习视频资源，涵盖入门->中级->项目的各个阶段！（可直接下载......）

机器学习（37）之矩阵分解在协同过滤推荐中的应用

资料 | 美图区域链白皮书（附PDF链接）

手册 | Linux 运维人员最常用 150 个命令汇总

机器学习(36)之协同过滤典型算法概述【精华】

机器学习(35)之PrefixSpan算法原理详解

2017年度盘点：Github上十大有趣的机器学习项目（文末有惊喜......）

加入微信机器学习交流群

请添加微信：guodongwe1991

备注姓名-单位-研究方向

广告、商业合作

请添加微信：guodongwe1991

（备注：商务合作）

---

对话框回复

20180211