机器学习 感知机 例题 pycharm

以下是一个使用感知机算法解决二分类问题的例子。我们使用Python和PyCharm编写代码。

假设有两个特征x1和x2，我们的目标是根据这两个特征将数据分成两个类别（0或1）。

首先，我们需要导入相关的库：

import numpy as np
import matplotlib.pyplot as plt

接下来，我们定义感知机类：

class Perceptron(object):
    def __init__(self, learning_rate=0.01, 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

        # 训练感知机
        for _ in range(self.n_iterations):
            for idx, x_i in enumerate(X):
                linear_output = np.dot(x_i, self.weights) + self.bias
                y_predicted = self.activation(linear_output)

                update = self.learning_rate * (y[idx] - 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 = self.activation(linear_output)
        return y_predicted

    def activation(self, x):
        return np.where(x >= 0, 1, 0)

在这个类中，我们定义了两个方法：`fit`和`predict`。`fit`方法用于训练感知机，`predict`方法用于预测新的数据点。

在`fit`方法中，我们首先初始化权重和偏置为0。然后，我们使用循环训练感知机。对于每个样本，我们计算线性输出，然后使用激活函数计算预测值。接下来，我们计算误差并更新权重和偏置。

在`predict`方法中，我们计算线性输出，并使用激活函数计算预测值。

最后，我们使用以下代码创建数据并训练感知机：

X = np.array([[2, 3], [1, 2], [5, 6], [9, 7], [8, 9], [7, 6]])
y = np.array([0, 0, 0, 1, 1, 1])

model = Perceptron()
model.fit(X, y)

new_data = np.array([[3, 4], [5, 5], [1, 1]])
print(model.predict(new_data))

这个例子中，我们创建了一个包含6个数据点的数据集。前三个数据点属于类别0，后三个数据点属于类别1。我们使用这个数据集训练感知机，并使用新的数据点进行预测。

在PyCharm中运行代码，我们可以看到输出结果：

[0 1 0]

这个结果表明，第一个和第三个数据点属于类别0，第二个数据点属于类别1。