python实现神经网络感知器算法

这篇文章主要为大家详细介绍了python实现神经网络感知器算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

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编程之家。