单层感知器

开始必定先调用机器学习三大包

import numpy as np
import matplotlib.pyplot as plt 
import pandas as pd

模型是这样，有三个点(3,3),(4,3)是一类，(1,1)是一类，这里如何让机器自己画一条线来将它们分隔开
那么每个点是一种输入，然后再加一个偏置值，就是相当每个例子3个输入了，这里偏置设为1

#输入数据
X=np.array([[1,3,3],
            [1,4,3],
            [1,1,1]])
#标签,也就是结果
Y=np.array([1,1,-1])
print(X,Y)
#W为初始化权值,1行三列，范围在(-1,1)之间
W=(np.random.random(3)-0.5)*2
#np.random.random函数为设置3个[0,1]之间的数字
print(W)
#学习率设置
lr=0.05
#计算迭代次数
n=0
#神经网路输出
O=0
#global表示将变量设置为全局变量，那么在函数中改变变量就可以改变这个变量的值
def update():
    global X,Y,W,n,lr
    n+=1
#这里表示为每个对应的输入x的三个变量*W.T，得到每个x有不同的权重相乘得到的结果
#形如w1*x1+w2*x2+x3*w3=y
    O=np.dot(X,W.T)
#这里是通过损失函数来改变权值,这里考虑了3个输入所对应的每个w应该改变的权值
    W_C=lr*(Y-O.T).dot(X)/int(X.shape[0])
#关于为什么是这个函数，可以去看吴恩达的理论入门一波先
#如果数据很多那么W_C会很大，所以我们应该/数据量
    W+=W_C

for i in range(1000):
    update()
    print(W)
    print(n)
#打印每次迭代后的权值和迭代次数
    O=np.sign(np.dot(X,W.T))
    if(O ==Y.T).all():
        print('Finished')
        print('epoch',n)
        break
#正样本
x1=[3,3]
y1=[4,3]
#负样本的坐标
x2=[1]
y2=[1]
k=-W[1]/W[2]
d=-W[0]/W[2]
print('k= ',k)
print('d= ',d)

xdata = np.linspace(0,5)
#建立0,5的等差随机数字
print(xdata)
plt.figure()
#设置一个图 
plt.plot(xdata,xdata*k+d,'r')
plt.plot(x1,y1,'bo')
plt.plot(x2,y2,'yo')
#这里是描绘坐标点，仅仅描绘点的坐标，其属于哪一类又机器画线学
plt.show()
#绘制图像,xdata表示等差序列，最后面那个表示参数