感知器算法二分类python

以下是一个简单的感知器算法的二分类Python实现：

import numpy as np

class Perceptron(object):
    """感知器：用于二分类"""

    def __init__(self, eta=0.1, n_iter=10):
        self.eta = eta  # 学习率
        self.n_iter = n_iter  # 迭代次数

    def fit(self, X, y):
        """
        训练模型
        :param X: 输入向量，shape=[n_samples, n_features]
        :param y: 标签，shape=[n_samples]
        :return: self
        """
        self.w_ = np.zeros(1 + X.shape[1])  # 初始化权重向量
        self.errors_ = []  # 记录每次迭代中误分类的样本数

        for _ in range(self.n_iter):
            errors = 0
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))
                self.w_[1:] += update * xi
                self.w_[0] += update
                errors += int(update != 0.0)
            self.errors_.append(errors)
        return self

    def net_input(self, X):
        """计算净输入"""
        return np.dot(X, self.w_[1:]) + self.w_[0]

    def predict(self, X):
        """预测标签"""
        return np.where(self.net_input(X) >= 0.0, 1, -1)

其中，`fit`方法用于训练模型，`predict`方法用于预测标签。在训练模型时，我们需要提供输入向量`X`和标签`y`，并指定学习率`eta`和迭代次数`n_iter`。在训练过程中，我们使用随机梯度下降算法来更新权重向量`w_`，并记录每次迭代中误分类的样本数`errors_`。