![](https://i-blog.csdnimg.cn/blog_migrate/23a0c559512ee907b8db7023ce8384fd.png)
\(x_1,x_2,...,x_m\)是神经元的输入。\(w_{k1},w_{k2},...,w_{km}\)对应每个神经元输入的权重。\(b_k\)是偏置单元,以常数值加到激活函数的输入中。\(\varphi (·)\) 是激活函数,能使神经网络(单层或多层)非常灵活且具有能估计复杂的非线性关系的能力。简单情况下可以是一个高斯函数,逻辑函数,双曲线函数或者甚至是一个线性函数。利用神经网络可以让其实现三个基本功能: 与,或,非。
![](https://i-blog.csdnimg.cn/blog_migrate/fbb0a23f8685300f6762374c4cb62eb4.png)
from sklearn.linear_model import Perceptron
import numpy as np
x0 = np.array([[-0.5, -0.5, 0.3, 0.0], [-0.5, 0.5, -0.5, 1.0]]).T
y0 = np.array([1, 1, 0, 0])
md = Perceptron(tol=1e-3) # 构造模型
md.fit(x0, y0) # 拟合魔性
print(md.coef_, md.intercept_) # 输出系数和常数项
print(md.score(x0, y0)) # 模型检验
print('预测值为: ', md.predict(np.array([[0.5, 0.2]])))
![](https://i-blog.csdnimg.cn/blog_migrate/c57b68f3f0e4fb06c88d19ce6e9af143.png)
参考博客: https://blog.csdn.net/huanyingzhizai/article/details/93525995