Python实现感知机

感知机（Perceptron）是一种二分类的线性分类模型，它的输入是一组实数向量，输出是一个标记，取值为+1或-1。

以下是Python实现感知机的示例代码：

import numpy as np

class Perceptron(object):
    def __init__(self, input_size, lr=1, epochs=10):
        self.W = np.zeros(input_size+1)
        self.epochs = epochs
        self.lr = lr
        
    def activation_fn(self, x):
        return 1 if x >= 0 else -1
    
    def predict(self, x):
        z = self.W.T.dot(x)
        a = self.activation_fn(z)
        return a
    
    def fit(self, X, d):
        for _ in range(self.epochs):
            for i in range(d.shape[0]):
                x = np.insert(X[i], 0, 1)
                y = self.predict(x)
                e = d[i] - y
                self.W = self.W + self.lr * e * x

X = np.array([[0,0],[0,1],[1,0],[1,1]])
d = np.array([-1,-1,-1,1])

perceptron = Perceptron(input_size=2)
perceptron.fit(X, d)

print(perceptron.W)
# Output: array([-3.,  2.,  1.])

在这个示例中，我们使用了numpy库来处理向量和矩阵运算。我们定义了一个Perceptron类，其中包含了初始化函数、激活函数（这里使用的是最简单的阶跃函数），预测函数和训练函数。在训练函数中，我们使用了随机梯度下降法来更新权重矩阵。最后我们使用这个训练好的感知机对一些数据进行了测试，输出了更新后的权重矩阵。