感知器算法各个步骤用代码举例

感知器算法是一种二分类算法，可以用来将一组输入数据分为两类。以下是感知器算法的伪代码和相应的Python代码实现：

伪代码：

1. 初始化权重向量w和偏置b为0或随机值
2. 对于每个输入向量x和对应的输出y：
a. 计算预测值y_pred = sign(w * x + b)
b. 更新权重向量和偏置：
w = w + alpha * (y - y_pred) * x
b = b + alpha * (y - y_pred)

其中，alpha是学习率，sign表示符号函数，将正数映射为1，将负数映射为-1，将0映射为0。

Python代码：

import numpy as np

class Perceptron:
    def __init__(self, alpha=0.1, n_iter=10):
        self.alpha = alpha  # 学习率
        self.n_iter = n_iter  # 迭代次数
    
    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.weights = np.zeros(n_features)  # 初始化权重向量为0
        self.bias = 0  # 初始化偏置为0
        
        for _ in range(self.n_iter):
            for i in range(n_samples):
                y_pred = np.sign(np.dot(self.weights, X[i]) + self.bias)  # 计算预测值
                self.weights += self.alpha * (y[i] - y_pred) * X[i]  # 更新权重向量
                self.bias += self.alpha * (y[i] - y_pred)  # 更新偏置
    
    def predict(self, X):
        return np.sign(np.dot(X, self.weights) + self.bias)

以上代码为感知器算法的简单实现，可以用于处理二分类问题。对于多分类问题，可以使用一对多（One-vs-Rest）策略，将每个类别与其他类别分别做二分类，最终将概率最大的类别作为预测结果。