用Python实现单层感知机

单层感知机是一种最简单的神经网络模型，它由一个输入层和一个输出层组成，其中每个输入节点与输出节点之间都有一个权重。在Python中实现单层感知机可以使用numpy库进行矩阵运算，从而提高效率。下面是一个用Python实现单层感知机的示例代码：

import numpy as np

class Perceptron:
    def __init__(self, lr=0.1):
        self.lr = lr
        self.errors = []
        self.weights = np.zeros(2)
        self.bias = 0

    def train(self, X, y):
        for xi, yi in zip(X, y):
            update = self.lr * (yi - self.predict(xi))
            self.weights += update * xi
            self.bias += update

    def predict(self, X):
        z = np.dot(X, self.weights) + self.bias
        return np.where(z >= 0, 1, 0)

其中，lr表示学习率，X是输入数据，y是对应的标签。train方法用于训练模型，predict方法用于预测结果。在训练过程中，模型会根据预测结果和真实标签之间的误差来更新权重和偏置。最终，模型可以用于对新的数据进行分类。