python中的row函数均方_机器学习:Python实现最小均方算法(lms)

'''算法：最小均方算法(lms)

均方误差：样本预测输出值与实际输出值之差平方的期望值，记为MES

设:observed 为样本真值,predicted为样本预测值,则计算公式:

(转换为容易书写的方式，非数学标准写法,因为数学符号在这里不好写)

MES=[(observed[0]-pridicted[0])*(observed[0]-pridicted[0])+....

(observed[n]-pridicted[n])*(observed[n]-pridicted[n])]/n'''

'''变量约定：大写表示矩阵或数组，小写表示数字

X：表示数组或者矩阵

x:表示对应数组或矩阵的某个值'''

'''关于学习效率(也叫步长：控制着第n次迭代中作用于权值向量的调节)。(下面的参数a)：

学习效率过大：收敛速度提高，稳定性降低，即出结果快，但是结果准确性较差

学习效率过小：稳定性提高，收敛速度降低，即出结果慢，准确性高，耗费资源

对于学习效率的确定，有专门的算法，这里不做研究。仅仅按照大多数情况下的选择：折中值'''

importnumpy as np

a=0.1 ##学习率 0

X=np.array([[1,1],[1,0],[0,1],[0,0]]) ##输入矩阵

D=np.array([1,1,1,0]) ##期望输出结果矩阵

W=np.array([0,0]) ##权重向量

expect_e=0.005 ##期望误差

maxtrycount=20 ##最大尝试次数

##硬限幅函数(即标准,这个比较简单：输入v大于0，返回1.小于等于0返回-1)

'''最后的权重为W([0.1,0.1]),则:0.1x+0.1y=0 ==>y=-x

即：分类线方程为:y=-x'''

defsgn(v):if v>0:return 1

else:return 0 ##跟上篇感知器单样本训练的-1比调整成了0，为了测试需要。-1训练不出结果

##读取实际输出

'''这里是两个向量相乘，对应的数学公式：

a(m,n)*b(p,q)=m*p+n*q

在下面的函数中，当循环中xn=1时(此时W=([0.1,0.1]))：

np.dot(W.T,x)=(1,1)*(0.1,0.1)=1*0.1+1*0.1=0.2>0 ==>sgn 返回1'''

defget_v(W,x):return sgn(np.dot(W.T,x))##dot表示两个矩阵相乘

##读取误差值

defget_e(W,x,d):return d-get_v(W,x)##权重计算函数(批量修正)

'''对应数学公式: w(n+1)=w(n)+a*x(n)*e

对应下列变量的解释：

w(n+1) <= neww 的返回值

w(n) <=oldw(旧的权重向量)

a <= a(学习率，范围：0