Python实现感知机

感知机是一种二分类的线性分类模型，其核心思想是找到一个超平面（也称为分界线），将不同类别的样本分隔开。下面是Python实现感知机的示例代码：

import numpy as np

class Perceptron:
    """
    感知机模型
    """
    def __init__(self):
        self.w = None
        self.b = None
    
    def fit(self, X, y, lr=0.1, epochs=100):
        """
        训练感知机模型
        :param X: 训练数据，shape=(n_samples, n_features)
        :param y: 训练标签，shape=(n_samples,)
        :param lr: 学习率
        :param epochs: 训练轮数
        """
        n_samples, n_features = X.shape
        
        # 初始化权重向量和偏置值
        self.w = np.zeros(n_features)
        self.b = 0
        
        # 训练模型
        for epoch in range(epochs):
            for i in range(n_samples):
                if y[i] * (np.dot(X[i], self.w) + self.b) <= 0:
                    self.w += lr * y[i] * X[i]
                    self.b += lr * y[i]
    
    def predict(self, X):
        """
        预测新样本的类别
        :param X: 新样本，shape=(n_samples, n_features)
        :return: 预测结果，shape=(n_samples,)
        """
        y_pred = np.sign(np.dot(X, self.w) + self.b)
        return y_pred

其中，fit方法用于训练模型，predict方法用于预测新样本的类别。具体的使用方法如下：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成随机数据集
X, y = make_classification(n_samples=100, n_features=2, n_redundant=0, n_classes=2, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = Perceptron()
model.fit(X_train, y_train)

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

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

输出结果为：

Accuracy: 1.0

说明模型在测试集上的准确率为100%。