数学之路(3)-机器学习(3)-机器学习算法-神经网络[2]

刚才是单样本感知器算法，每次迭代时，我们只考虑用一个训练模式修正权矢量，实际上，我们也可用几个训练模式一起考虑，这样可以考虑到代价函数，以及进行分类误差率的控制

本博客所有内容是原创，未经书面许可，严禁任何形式的转载

http://blog.csdn.net/u010255642

我们用PY编写代码如下:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
b=1
a=0.5
x = np.array([[1,1,3],[1,2,3],[1,1,8],[1,2,15]])
d =np.array([1,1,-1,-1])
w=np.array([b,0,0])
wucha=0
ddcount=50


def sgn(v):
        if v>0:
                return 1
        else:
                return -1
def comy(myw,myx):
        return sgn(np.dot(myw.T,myx))


def tiduxz(myw,myx,mya):
        i=0
        sum_x=np.array([0,0,0])
        for xn in myx:
                if comy(myw,xn)!=d[i]:
                        sum_x+=d[i]*xn
                        print xn
                        print d[i]
                i+=1
        return mya*sum_x


        
i=0                
while  True:
        tdxz=tiduxz(w,x,a)
        w=w+tdxz
        i=i+1
        if abs(tdxz.sum())<=wucha or i>=ddcount:break
        
for xn in x:
        print "%d and %d => %d "%(xn[1],xn[2],comy(w,xn))

test=np.array([1,9,19])
print "%d and %d => %d "%(test[1],test[2],comy(w,test))
test=np.array([1,3,22])
print "%d and %d => %d "%(test[1],test[2],comy(w,test))


 

[1 1 8]
-1
[ 1  2 15]
-1
[1 1 3]
1
[1 2 3]
1
[1 1 3]
1
[1 2 3]
1
[1 1 3]
1
[1 2 3]
1
[1 1 3]
1
1 and 3 => 1 
2 and 3 => 1 
1 and 8 => -1 
2 and 15 => -1 
9 and 19 => 1 
3 and 22 => -1 
>>>