phython实现Perceptron类的定义

在Python中，我们可以创建一个简单的Perceptron模型，它是基于神经网络的一种基础线性分类器。以下是一个基本的Perceptron类的定义示例：

class Perceptron:
    def __init__(self, learning_rate=0.01, epochs=100):
        self.learning_rate = learning_rate
        self.epochs = epochs
        self.weights = None
        self.bias = 0

    def _sigmoid(self, x):
        return 1 / (1 + np.exp(-x))

    def train(self, X, y):
        if not self.weights:
            self.weights = np.random.rand(X.shape[1])  # 初始化权重向量
        for _ in range(self.epochs):
            for i, sample in enumerate(X):
                prediction = np.dot(sample, self.weights) + self.bias
                update = self.learning_rate * (y[i] - self._sigmoid(prediction)) * sample
                self.weights += update

    def predict(self, X):
        linear_output = np.dot(X, self.weights) + self.bias
        predictions = [1 if pred >= 0 else 0 for pred in linear_output]
        return predictions

# 使用示例
X = ...  # 输入特征矩阵
y = ...  # 标签数组
perceptron = Perceptron()
perceptron.train(X, y)
predictions = perceptron.predict(X)

这个Perceptron类包含初始化、训练和预测三个核心方法。`train`函数用于根据给定的数据集调整权重，`_sigmoid`函数作为激活函数处理输出，`predict`则基于当前权重进行预测。