感知机算法的原始形式

使用例2.1的数据点作为输入。

class Perception:
    def __init__(self, learningrate):
        self.lr = learningrate         # 学习率
        self.wh = np.array([0.0, 0.0]) #初始化wh = [0.0, 0.0]
        self.b = 0

    def train(self,inputs, target):
        inputs = np.asarray(inputs)
        if self.check(inputs,target):        # 如果被误分类，则更新wh,b
            self.wh += self.lr * np.dot(inputs, target)
            self.b += target * self.lr
            print(self.wh, self.b)

    #判断是否被正确分类
    def check(self, inputs, target):
        flag = False
        res = 0.0
        res += (np.dot(inputs, self.wh)+self.b)*target
        if res <=0:
            flag = True

        return flag

例2.1的迭代过程为 程序输出迭代过程为：

---

完整代码

---

scikit-learn实现

from sklearn.linear_model import Perceptron

# max_iter为最大迭代次数，eta0为学习率
perceptron = Perceptron(max_iter=1000, eta0=1)

# coef_init设置w初始向量，intercept_init设置初始参数b
p_fit = perceptron.fit(x, y, coef_init=np.array([[0.0, 0.0]]).reshape(-1,1),intercept_init=np.array([0]),sample_weight=np.array([1,1,1]))
# 对未知数据进行预测
p_fit.predict(np.array([4,4]).reshape(1,-1))

Ref：
1.统计学习方法-李航
2.scikit-learn官方文档