神经网络-感知器算法python代码实现

在上一篇我们介绍了神经网络感知器算法，现在我们用python代码实现感知器算法。

# -*- coding: utf-8 -*-
import numpy as np


class Perceptron(object):
    """
    eta:学习率
    n_iter:权重向量的训练次数
    w_：神经分叉权重向量
    errors_：用于记录神经元判断出错次数
    """

    def __init__(self, eta=0.01, n_iter=2):
        self.eta = eta
        self.n_iter = n_iter
        pass

    def fit(self, X, y):
        """
        输入训练数据培训神经元
        X:神经元输入样本向量
        y: 对应样本分类
        X:shape[n_samples,n_features]
        x:[[1,2,3],[4,5,6]]
        n_samples = 2 元素个数
        n_features = 3 子向量元素个数
        y:[1,-1]
        初始化权重向量为0
        加一是因为前面算法提到的w0,也就是步调函数阈值
        """
        self.w_ = np.zeros(1 + X.shape[1])
        self.errors_ = []
        for _ in range(self.n_iter):
            errors = 0
            """
            zip(X,y) = [[1,2,3,1]，[4,5,6,-1]]
            xi是前面的[1,2,3]
            target是后面的1
            """
            for xi, target in zip(X, y):
                """
              predict(xi)是计算出来的分类
              """
                update = self.eta * (target - self.predict(xi))
                self.w_[1:] += update * xi
                self.w_[0] += update
                print update
                print xi
                print self.w_
                errors += int(update != 0.0)
                self.errors_.append(errors)
                pass

    def net_input(self, X):
        """
        z = w0*1+w1*x1+....Wn*Xn
        """
        return np.dot(X, self.w_[1:]) + self.w_[0]

    def predict(self, X):
        return np.where(self.net_input(X) >= 0, 1, -1)


if __name__ == '__main__':
    datafile = '../data/iris.data.csv'
    import pandas as pd

    df = pd.read_csv(datafile, header=None)
    import matplotlib.pyplot as plt
    import numpy as np

    y = df.loc[0:100, 4].values
    y = np.where(y == "Iris-setosa", 1, -1)
    X = df.iloc[0:100, [0, 2]].values
    # plt.scatter(X[:50, 0], X[:50, 1], color="red", marker='o', label='setosa')
    # plt.scatter(X[50:100, 0], X[50:100, 1], color="blue", marker='x', label='versicolor')
    # plt.xlabel("hblength")
    # plt.ylabel("hjlength")
    # plt.legend(loc='upper left')
    # plt.show()

    pr = Perceptron()
    pr.fit(X, y)

其中数据为
控制台输出为

你们跑代码的时候把n_iter设置大点，我这边是为了看每次执行for循环时方便查看数据变化。