【Data mining】第三次作业&课堂笔记

课堂笔记：

课后作业：

import numpy as np

# 定义sigmoid函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# sigmoid函数的导数
def sigmoid_derivative(x):
    return x * (1 - x)

# 自定义训练所需要的数据的输入值x
training_inputs = np.array([[0, 0, 1],
                            [1, 1, 1],
                            [1, 0, 1],
                            [0, 1, 1]])
# 自定义训练所需要的数据的输出值y
training_outputs = np.array([[0, 1, 1, 0]]).T

# 定义一个随机种子
np.random.seed(1)

# 随机生成权重
weights = 2 * np.random.random((3, 1)) - 1

print('开始时随机产生的权重: ')
print(weights)

# 进行2w次迭代
for iteration in range(20000):
    # 输入层即之前自定义训练所需要的数据的输入值x
    input_layer = training_inputs

    # 将输入层根据权重输入至sigmoid函数，即将输入层数据与权重进行点乘
    outputs = sigmoid(np.dot(input_layer, weights))

    # 误差计算
    error = training_outputs - outputs

    # 将输出值放入sigmoid的导数，并于误差值相乘，得到调整值
    adjustments = error * sigmoid_derivative(outputs)

    # 根据输入层数据与调整值点乘的结果更新权重
    weights += np.dot(input_layer.T, adjustments)

print('训练后更新的权重: ')
print(weights)

print('训练后的结果为: ')
print(outputs)

结果：

开始时随机产生的权重: 
[[-0.16595599]
 [ 0.44064899]
 [-0.99977125]]
训练后更新的权重: 
[[10.38040701]
 [-0.20641179]
 [-4.98452047]]
训练后的结果为: 
[[0.00679672]
 [0.99445583]
 [0.99548516]
 [0.00553614]]