神经网络入门：感知机算法思想

什么是感知机？

        感知机是训练模型的一种，是一种线性模型：w*x + b；其中w为输入的权重，b为偏移值；感知机算法思想就是将训练集特征不断输入到上述的线性模型中，将输出结果与样本标签不断匹配，以此来更新模型中的w和b，直至使所有样本输入到模型后的输出结果能与样本真实标签匹配；

        在本文章中，我利用sklearn中的datasets模块去加载iris数据集；提供以下代码块：

from sklearn import datasets
data = datasets.load_iris()
data.feature_names

        同时，本文还提供了一段代码去显示数据集中的部分数据的散点图，代码块如下：

import matplotlib.pyplot as plt
fig = plt.subplot()
fig.set_xlim([np.amin(data.data[:100,2]),np.amax(data.data[:100,2])])
fig.set_ylim([np.amin(data.data[:100,3]),np.amax(data.data[:100,3])])
plt.scatter(data.data[:50,2],data.data[:50,3],color = 'red', marker = 'o', label = 'Versicolor')
plt.scatter(data.data[50:100,2],data.data[50:100,3],color = 'blue', marker = 'o', label = 'Versicolor')
plt.plot([np.amin(data.data[:100,2]),np.amax(data.data[:100,2])],[0.8,0.7])

         并且画了一条线性函数图形，来分隔两种iris，本次我们就是利用感知机来不断的更新这条一次函数线；

2、感知机有什么用呢

        感知机用于线性的二分类任务中，感知机是一个线性二分类器。

3、感知机如何实现？

        具体流程图如下：

        该流程图包括两个循环，大循环是我们设定的迭代次数，当迭代此时达到一定数目时结束训练，小循环是我们的训练集数目，且训练集没有一个样本与模型匹配，correct+1，知道correct与样本数目一致，我们认为模型训练完毕。

        具体的代码实现如下代码块：

import numpy as np
yangben1 = np.array([[1.9, 0.4], [1.6, 0.6]])
yangben2 = np.array([[3, 1.1]])
x =  np.concatenate((yangben1,yangben2),axis = 0)
xlabel = [-1,-1,1]

class perceptron:
    def __init__(self, learnrate = 0.1, epoch = 10, modelw = [0.1, 0.1], modelb = 0):
        self.learnrate = learnrate
        self.epoch = epoch
        self.modelw = modelw
        self.modelb = modelb
    
    def predict(self,x):
        if np.dot(self.modelw,x)+self.modelb >= 0:
            return 1
        else:
            return -1
    
    def updatewb(self,x,xlabel):
        if self.predict(x) == xlabel:
            return
        else:
            self.modelw += self.learnrate*x*xlabel
            self.modelb += self.learnrate*xlabel
    
    def fit(self,x,y):
        if len(x) != len(y):
            print("eror")
            return False
        m = len(x)
        for epoch in range(self.epoch):
            mcorrect = 0
            for i in range(m):
                if(y[i]== self.predict(x[i])):
                    mcorrect += 1
                else:
                    self.updatewb (x[i],y[i])
                if(mcorrect == m):
                    print('model is raedy after {} epoch(s)'.format(epoch))
                    break

classifier = perceptron(0.6, 10, [0.5, 0.5])
print(classifier.modelw)
print(classifier.modelb)
classifier.fit(x,xlabel)
print(classifier.modelw)

        我们在感知机Perceptron类中定义了4个成员分别为 学习率（learnrate）、迭代次数（epoch）、模型权重（modelw）、模型偏移（modelb）。类中还定义了3种方法分别对应着预测、参数更新和模型训练；

        最后我们通过自己拟定的数据集去观察参数更新模型训练的过程；