感知器算法python

感知器算法是一种二分类的线性分类算法，它的基本思想是通过对输入特征进行加权求和，然后通过一个阈值函数将结果映射到一个二元输出。它在机器学习领域有着重要的地位，是神经网络的基础模型之一。

下面是一个简单的感知器算法的Python实现：

import numpy as np

class Perceptron:
    
    def __init__(self, learning_rate=0.1, n_iterations=100):
        self.learning_rate = learning_rate
        self.n_iterations = n_iterations
    
    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.weights = np.zeros(n_features)
        self.bias = 0
        
        # 训练感知器
        for _ in range(self.n_iterations):
            for i in range(n_samples):
                # 计算输出
                linear_output = np.dot(X[i], self.weights) + self.bias
                y_predicted = self.activation(linear_output)
                
                # 更新权重和偏差
                update = self.learning_rate * (y[i] - y_predicted)
                self.weights += update * X[i]
                self.bias += update
    
    def predict(self, X):
        # 预测输出
        linear_output = np.dot(X, self.weights) + self.bias
        y_predicted = self.activation(linear_output)
        return y_predicted
    
    def activation(self, x):
        # 阶跃函数
        return np.where(x >= 0, 1, 0)

这里我们使用了NumPy库来进行向量化计算，提高了效率。在训练感知器时，我们使用了随机梯度下降算法来更新权重和偏差。在预测时，我们使用了阶跃函数作为激活函数。使用该类的示例如下：

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 0, 0, 1])

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

print(model.predict(X))

输出结果为：[0 0 0 1]，说明感知器算法能够正确地进行二分类任务。