python跑神经网络_python实现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。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。