感知器算法的基本原理和步骤_Python机器学习——01感知器学习算法

本篇文章介绍塞巴斯蒂安·拉施卡《Python机器学习》中的第一个算法——感知器学习算法，之后会有文章分析书中的其它算法。

---

本书的内容非常基础，没有涉及大量的数学知识，书本不厚，并且有配套的代码实例，适合初学者。本人是在淘宝上买的，但是淘宝好物推荐里搜不到，只能用京东。标价88，淘宝上买大约50，所以这里挑了2个价位仅供参考（都是第2版）：

如果不想购买也可以尝试下载相关文件

书本大部分内容(含代码）都可以在以下网址下载（需VPN）：

Python Machine Learning - Second Edition

Python Machine Learning - Third Edition

---

下面开始本文的正文

感知器学习算法是书中第一个算法，是机器学习的入门算法

这里自己大致将注释翻译了一遍"/翻译"，原文也完全保留了

import 

用语言表述就是感知器Perceptron有三个参数：eta、niter、randomstate；两个属性：

和

。

定义了四个函数

、

、

和

1. ：初始化；
2. ：更新
   及计算
   ；
3. ：对X计算输入值；
4. ：使用计算得到的
   进行预测。

主要介绍

函数：两个参数为

和

第一层循环：迭代n_iter次
    errors=0，错误分类的数量归0
    第二层循环：每个样本迭代一次，xi、target分别为每个样本特征与类标签
        计算权重更新（公式写在后面）
        错误分类数计数
    结束第二层循环
    错误分类数存储为向量
结束第一层循环
返回self

权重更新：

（不含w[0]）