夏目_-CSDN博客

自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

上一步保存

原创感知机模型学习笔记及Python实现

参照李航博士的《统计学习方法》，简要介绍了感知机模型，并对其学习算法的原始形式和对偶形式进行了比较，加深对感知机模型的理解。最后结合一个简单的例子，通过Python实现算法的对偶形式，并做一定的可视化处理。

2016-08-14 15:30:30 4112 1

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

夏目_ CSDN认证博客专家 CSDN认证企业博客

码龄11年

暂无认证

IP 属地：美国

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

1: 原创

80万+: 周排名

124万+: 总排名

4112: 访问

: 等级

61: 积分

3: 粉丝

5: 获赞

1: 评论

8: 收藏

私信

关注

分类专栏

最新评论

感知机模型学习笔记及Python实现
清汜十七: import numpy as np import matplotlib.pyplot as plt from matplotlib import animation x = np.array([[3,3],[4,3],[1,1]])#创建数据集，共3个实例 y = np.array([1,1,-1]) #创建标签 history = [] #存储迭代学习过程中的w,b值，便于可视化绘图 gramMatrix = x.dot(x.T) #计算Gram矩阵，后面需要多次用到 print("gramMatrix = ",gramMatrix) alpha = np.zeros(len(x)) #初始化alpha为零向量 b = 0 #b为回归直线截距 learnRate = 1 #初始化为0；learnRate为学习率，设为1 k = 0; i = 0 #k用来计算迭代次数；i用来判定何时退出while循环 while 1: if y[i] * (np.sum(alpha * y * gramMatrix[i])+ b)<=0: #误分条件：若某一数据点被错误分类 alpha[i] = alpha[i] + learnRate #更新 alpha 值 b = b + learnRate * y[i] #更新 b 值 i = 0 #i 赋值为0，再遍历一次所有的数据集 k = k + 1 #k + 1 即迭代次数加1 history.append([(alpha * y.T).dot(x), b]) #存储w，b print("iteration counter =",k) print( "alpha = ",alpha) print("b = ",b) continue else: #若某一数据点被正确分类 i = i + 1 print("i = ",i) if i >= x.shape[0]: #退出while循环条件,即 i >= 3,所有数据点都能正确分类 print("iteration finish") break #break 退出wile循环 w = (alpha*y.T).dot(x) #计算得到权值 w print("w = ", w) print("b = ", b) print("history w,b = ",history) fig = plt.figure() ax = plt.axes() line, = ax.plot([], [], 'g', lw=2) label = ax.text([], [], '') def init(): global x,y,line,label plt.axis([-6, 6, -6, 6]) plt.scatter(x[0:2,0],x[0:2,1],c ="r",label = "postive",s = 60) #画正样本点 plt.scatter(x[2,0],x[2,1],c = "y",label = "negtive",s =60) #画负样本点 plt.grid(True) plt.xlabel('X1') plt.ylabel('X2') plt.title('myPerceptron') return line, label #返回值为line，label对象，表示这两个对象有动画效果 def animate(i): #形参 i 表示帧数，即 animation.FuncAnimation 函数形参列表中的frames属性 global history, ax, line, label w = history[i][0] b = history[i][1] if w[1] == 0: return line,label x1 = -6.0 #点(x1,y1)和点(x2,y2)确定分类超平面 y1 = -(b + w[0] * x1) / w[1] x2 = 6.0 y2 = -(b + w[0] * x2) / w[1] line.set_data([x1, x2], [y1, y2])#画出分类超平面 x1 = 0.0 y1 = -(b + w[0] * x1) / w[1] label.set_text(str( history[i][0]) + ' ' + str(b)) #在点 (0,y1) 上绘制文本便签 label.set_position([x1, y1]) return line, label anim = animation.FuncAnimation(fig, animate,init_func=init, frames=len(history), interval=1000, repeat=True,blit=True) plt.legend(fancybox = True) plt.show() #anim.save('perceptron.gif', fps=2, writer='imagemagick') #使用ImageMagick导出GIF图片
感知机模型学习笔记及Python实现
仙人掌_lz: Deep1994: 你后来解决了吗我拍这个程序也是这个提示

原创 感知机模型学习笔记及Python实现

空空如也

空空如也

原创感知机模型学习笔记及Python实现