用python写一个elm极限学习机分类算法

以下是一个简单的 Python 实现，用于使用 ELM 极限学习机进行二分类：

import numpy as np

class ELM:
    def __init__(self, hidden_size):
        self.hidden_size = hidden_size

    def fit(self, X, y):
        # 随机生成输入层到隐藏层之间的权重
        self.input_weights = np.random.normal(size=[X.shape[1], self.hidden_size])

        # 计算隐藏层的输出（使用 sigmoid 函数作为激活函数）
        hidden = np.matmul(X, self.input_weights)
        self.hidden_output = 1 / (1 + np.exp(-hidden))

        # 计算输出层的权重
        self.output_weights = np.matmul(np.linalg.pinv(self.hidden_output), y)

    def predict(self, X):
        # 计算隐藏层的输出
        hidden = np.matmul(X, self.input_weights)
        hidden_output = 1 / (1 + np.exp(-hidden))

        # 计算输出层的输出
        output = np.matmul(hidden_output, self.output_weights)

        # 返回预测结果（大于 0.5 为正例，小于等于 0.5 为反例）
        return np.round(output)

# 测试代码
X_train = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y_train = np.array([[0], [1], [1], [0]])
X_test = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y_test = np.array([[0], [1], [1], [0]])

elm = ELM(hidden_size=5)
elm.fit(X_train, y_train)
y_pred = elm.predict(X_test)

print('预测结果：')
print(y_pred)

在上面的例子中，我们使用 sigmoid 函数作为激活函数，随机生成输入层到隐藏层之间的权重，计算隐藏层的输出，然后使用伪逆矩阵计算输出层的权重。最后，我们使用测试数据进行预测，并打印预测结果。