感知器算法

最新推荐文章于 2021-08-05 09:50:56 发布

cuixuange

最新推荐文章于 2021-08-05 09:50:56 发布

阅读量4.7k

点赞数 3

分类专栏： machine-learning 文章标签：机器学习实战 python 感知器算法

本文链接：https://blog.csdn.net/u014297722/article/details/78273849

版权

本文介绍了感知器算法，作为线性判别函数或广义线性判别曲面，用于二分类和多分类问题。详细阐述了感知器在IRIS_DATA数据集上的应用，并提供了代码实现。参考了相关资料和github链接。

摘要由CSDN通过智能技术生成

**感知器算法:
线性判别函数或者说广义的线性判别曲面进行二分类或者多分类的代码实现
以及使用iris_data 的感知机测试代码
不断地迭代赏罚为后面的梯度下降方式做铺垫**

github：https://github.com/cuixuage/Machine_Learning
参考资料 https://ljalphabeta.gitbooks.io/python-/content/ch2section3.html

1.模型二分类问题得到一个判别函数

例如: W1 W2 分别为二类模式
用感知器算法求下列模式分类的解向量w:
ω1: {(0 0 0)T, (1 0 0)T, (1 0 1)T, (1 1 0)T}
ω2: {(0 0 1)T, (0 1 1)T, (0 1 0)T, (1 1 1)T}
编写求解上述问题的感知器算法程序

#coding:utf-8
二分类问题   假设线性可分
用感知器算法求下列模式分类的解向量w:
    ω1: {(0 0 0)T, (1 0 0)T, (1 0 1)T, (1 1 0)T}
    ω2: {(0 0 1)T, (0 1 1)T, (0 1 0)T, (1 1 1)T}

编写求解上述问题的感知器算法程序


import numpy as np
x1 = np.mat([0,0,0,1])
x2 = np.mat([1,0,0,1])
x3 = np.mat([1,0,1,1])
x4 = np.mat([1,1,0,1])
#w2区域的全部乘以 -1 作为分类的区分
x5 = np.mat([0,0,-1,-1])
x6 = np.mat([0,-1,-1,-1])
x7 = np.mat([0,-1,0,-1])
x8 = np.mat([-1,-1,-1,-1])
x = [x1.T,x2.T,x3.T,x4