perceptron python实现

下面是一个简单的Python实现感知器算法（perceptron algorithm）的示例：

import numpy as np

class Perceptron(object):
    def __init__(self, eta=0.1, n_iter=10):
        self.eta = eta
        self.n_iter = n_iter

    def fit(self, X, y):
        self.w_ = np.zeros(1 + X.shape[1])
        self.errors_ = []

        for _ in range(self.n_iter):
            errors = 0
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))
                self.w_[1:] += update * xi
                self.w_[0] += update
                errors += int(update != 0.0)
            self.errors_.append(errors)
        return self

    def net_input(self, X):
        return np.dot(X, self.w_[1:]) + self.w_[0]

    def predict(self, X):
        return np.where(self.net_input(X) >= 0.0, 1, -1)

这个类中的`fit`方法实现了感知器算法的核心逻辑，它从训练数据中学习出一个二元分类模型。`net_input`方法对输入数据进行线性变换并加上偏置项，`predict`方法根据变换后的结果返回预测的分类标签。

在使用该类时，需要将训练数据和标签传递给`fit`方法。例如，如果我们有一个训练集`X_train`和它对应的标签`y_train`，我们可以这样使用：

ppn = Perceptron(eta=0.1, n_iter=10)
ppn.fit(X_train, y_train)

这将会训练一个感知器模型，使用学习速率0.1和10次迭代。训练完成后，可以使用`predict`方法对新的数据进行分类预测：

y_pred = ppn.predict(X_test)

这将会返回一个数组，其中每个元素代表相应样本的预测标签。