基于《Python机器学习》学习笔记-感知器学习

感知器算法是一个简单的二分算法，相当于signoid函数的应用？
具体原理参考下文：感知器学习

以下代码来自书中2.2节，付我的注释理解:

1. 定义感知算法

eta：即$\eta$ ，学习率
n_iter: 初始迭代次数
random_state：随机生成的权重

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap


class Perceptron(object):
    def __init__(self, eta=0.01, n_iter=50, random_state=1):
    """初始化，为学习率、迭代次数和权重赋初值"""
        self.eta = eta
        self.n_iter = n_iter
        self.random_state = random_state

    def fit(self, X, y):
        rgen = np.random.RandomState(self.random_state)
        # 伪随机数生成,产生一个随机状态种子
    	#rdm = numpy.random.RandomState(seed=None)，seed应该是种子编号，跟生成随机数没有关系，例如1号种子，2号种子等等。
    	rdm = numpy.random.RandomState(seed=1)
        self.w_ = rgen.normal(loc=0.0, scale=0.01, size=1 + X.shape[1])
        #0为均值，0.01为标准差的正态分布，规模是X的列数（样品特征数）+1 加一是因为有一个偏置
        self.errors_ = []

        for _ in range(self.n_iter):#表示即将进行n_iter次循环，n_iter已经设定好了是训练次数
            errors = 0
            for xi, target in zip(X, y):
            #zip() 函数用于将可迭代对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的对象。如果各个可迭代对象的元素个数不一致，则返回的对象长度与最短的可迭代对象相同。
            #xi表示一个数组，这