线性分类器的python代码实例

以下是一个简单的线性分类器的Python代码实例：

import numpy as np

class Perceptron:
    def __init__(self, learning_rate=0.1, n_iterations=1000):
        self.learning_rate = learning_rate
        self.n_iterations = n_iterations

    def fit(self, X, y):
        n_samples, n_features = X.shape

        # 初始化权重和偏置
        self.weights = np.zeros(n_features)
        self.bias = 0

        # 梯度下降
        for _ in range(self.n_iterations):
            for i in range(n_samples):
                linear_output = np.dot(X[i], self.weights) + self.bias
                y_predicted = np.sign(linear_output)

                # 更新权重和偏置
                update = self.learning_rate * (y[i] - y_predicted)
                self.weights += update * X[i]
                self.bias += update

    def predict(self, X):
        linear_output = np.dot(X, self.weights) + self.bias
        y_predicted = np.sign(linear_output)
        return y_predicted

这个代码实现了一个简单的感知器模型，使用梯度下降算法来最小化误分类的损失函数。在`fit`方法中，我们首先初始化权重和偏置为0，然后对于每个样本，计算线性输出并使用`np.sign`函数将其转换为+1或-1的类别标签。如果预测结果与真实标签不同，则更新权重和偏置以减少误差。在`predict`方法中，我们使用训练好的权重和偏置来预测新的样本的类别。