感知器算法python

感知器算法是一种二元分类算法，可以用Python实现。下面是一个使用NumPy库实现感知器算法的示例代码：

import numpy as np

class Perceptron:
    def __init__(self, learning_rate=0.1, epochs=50):
        self.learning_rate = learning_rate
        self.epochs = epochs

    def fit(self, X, y):
        # 初始化权重
        self.weights = np.zeros(X.shape[1])
        self.bias = 0
        
        for epoch in range(self.epochs):
            for i, x in enumerate(X):
                y_pred = self.predict(x)
                error = y[i] - y_pred
                # 更新权重和偏置
                self.weights += self.learning_rate * error * x
                self.bias += self.learning_rate * error

    def predict(self, X):
        # 计算加权和
        y_pred = np.dot(X, self.weights) + self.bias
        # 使用阈值函数进行二元分类
        return np.where(y_pred >= 0, 1, -1)

这个代码中，`Perceptron`类有两个主要方法：`fit`和`predict`。`fit`方法用于训练模型，它接受输入数据`X`和标签`y`，并在`epochs`轮中更新权重和偏置。`predict`方法用于预测新的数据点的标签。在`predict`方法中，我们首先计算加权和，然后使用阈值函数进行二元分类。

使用感知器算法，我们可以对数据进行二元分类。下面是一个使用感知器算法分类Iris数据集的示例代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载Iris数据集
data = load_iris()

# 只使用前两个特征
X = data.data[:, :2]
y = np.where(data.target == 0, -1, 1)

# 数据标准化
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 拆分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练模型
perceptron = Perceptron(learning_rate=0.1, epochs=50)
perceptron.fit(X_train, y_train)

# 预测测试集
y_pred = perceptron.predict(X_test)

# 计算准确率
accuracy = np.mean(y_pred == y_test)
print(f'Accuracy: {accuracy:.2f}')

在这个示例代码中，我们加载了Iris数据集，并使用`StandardScaler`对数据进行标准化。然后，我们使用`train_test_split`将数据集拆分为训练集和测试集。最后，我们使用`Perceptron`类训练模型，并使用测试集计算准确率。