创建感知器类Perceptron,设计fit, input, predict, score函数,分别实现训练样本、

输入数据、预测输出和得分的功能。Perceptron类的实现如下：

import numpy as np

class Perceptron:
    def __init__(self, n_features):
        self.weights = np.zeros(n_features + 1)  # 初始化权重为0
    
    def fit(self, X, y, learning_rate=0.1, n_epochs=100):
        X = np.insert(X, 0, 1, axis=1)  # 插入常数列1
        for epoch in range(n_epochs):
            for i in range(X.shape[0]):
                y_pred = self.predict(X[i])
                error = y[i] - y_pred
                self.weights += learning_rate * error * X[i]
    
    def input(self, X):
        X = np.insert(X, 0, 1)  # 插入常数1
        return X
    
    def predict(self, X):
        X = self.input(X)
        y_pred = np.sign(np.dot(self.weights, X))
        return y_pred
    
    def score(self, X, y):
        X = np.insert(X, 0, 1, axis=1)  # 插入常数列1
        y_pred = np.sign(np.dot(X, self.weights))
        accuracy = np.sum(y_pred == y) / len(y)
        return accuracy

其中：

- `__init__`函数初始化权重为0，输入参数为特征数。
- `fit`函数训练模型，输入参数为训练数据X、标签y、学习率learning_rate和迭代次数n_epochs。在每个epoch中，遍历所有样本，计算预测输出和实际输出之差（即误差），根据误差更新权重。
- `input`函数将输入数据插入常数1，并返回插入后的向量。
- `predict`函数预测输出，输入参数为输入数据X。在预测前先将输入数据插入常数1，然后根据权重计算预测输出，并使用sign函数将输出转为-1或1。
- `score`函数计算模型得分，输入参数为测试数据X和标签y。在预测前将输入数据插入常数1，然后计算预测输出并与实际标签比较，计算准确率作为模型得分。