完整的感知机python代码

以下是一个基本的感知机模型的Python代码实现，包括训练和预测功能：

import numpy as np

class Perceptron:
    def __init__(self, learning_rate=0.01, n_iterations=1000):
        self.learning_rate = learning_rate
        self.n_iterations = n_iterations
        
    def fit(self, X, y):
        n_samples, n_features = X.shape
        
        # 初始化权重
        self.weights = np.zeros(n_features)
        self.bias = 0
        
        # 训练模型
        for _ in range(self.n_iterations):
            for idx, x_i in enumerate(X):
                linear_output = np.dot(x_i, self.weights) + self.bias
                y_predicted = self.predict(x_i)
                
                # 更新权重和偏置
                update = self.learning_rate * (y[idx] - y_predicted)
                self.weights += update * x_i
                self.bias += update
                
    def predict(self, X):
        linear_output = np.dot(X, self.weights) + self.bias
        return np.where(linear_output >= 0, 1, -1)

其中，`learning_rate`和`n_iterations`是超参数，用于控制模型的训练过程。`fit`函数用于训练模型，输入参数`X`是一个二维数组，每行代表一个样本，每列代表一个特征。`y`是一个一维数组，表示每个样本的标签。`predict`函数用于预测新样本的标签，输入参数`X`是一个二维数组，每行代表一个样本，每列代表一个特征。函数返回一个与输入`X`形状相同的一维数组，表示每个样本的预测标签。