基于感知器算法的蠓虫分类问题

1 实验目的

感知器是一种线性分类器，主要用于二分类问题也可以应用于多分类问题。本实验的目的在于加深学生对线性分类器的理解，掌握感知器算法的原理和实现过程，并用于实际的数据分类，体会其在模式识别中的作用。

2 实验原理

3 实验内容

 

4 实验过程

 这里采用自定义的感知器算法，完整代码链接：https://github.com/JNLYK/Machine_Learning/tree/d2832256ff944cf73d51d9da5f5b00427ec62840/%E5%9F%BA%E4%BA%8E%E6%84%9F%E7%9F%A5%E5%99%A8%E7%AE%97%E6%B3%95%E7%9A%84%E8%A0%93%E8%99%AB%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98

# 定义感知器模型
class Perceptron:
    def __init__(self, input_size):
        self.weights = np.zeros(input_size)
        self.bias = 0

    def predict(self, inputs):
        summation = np.dot(inputs, self.weights) + self.bias
        return 1 if summation > 0 else 0

    def train(self, training_inputs, labels, epochs):
        for _ in range(epochs):
            for inputs, label in zip(training_inputs, labels):
                prediction = self.predict(inputs)
                self.weights += (label - prediction) * inputs
                self.bias += (label - prediction)

1. 初始化方法 (__init__):input_size 参数表示输入的特征数量。在初始化时，权重（self.weights）被初始化为长度为 input_size 的零向量，而偏置（self.bias）被初始化为零。

2. 预测方法 (predict):接收输入 (inputs)，通过计算输入与权重的点积（np.dot(inputs, self.weights)），加上偏置 (self.bias)，然后使用阶跃函数（1 if summation > 0 else 0）作为激活函数，返回二进制分类结果。

3. 训练方法 (train):training_inputs: 一个二维数组，每行表示一个训练样本，每列表示一个特征；labels: 包含与每个训练样本相关联的目标标签的一维数组；epochs: 表示要对整个训练数据集进行多少次迭代；在每个 epoch 中，对于每个训练样本，通过调用 predict 方法获取模型的预测值，然后根据真实标签进行权重和偏置的更新。权重的更新使用感知器学习规则：self.weights += (label - prediction) * inputs，偏置的更新是 self.bias += (label - prediction)。

5 实验结果

预测结果展示：

分类结果展示：