Python machine learning-Peceptron感知机模型

转自： https://github.com/xuman-Amy/Perceptron_python/blob/master/perceptron_python%20.py

	import numpy as np class Perceptron:
	'''
	Parameters
	__________
	eta : learning rate
	n_iter : 迭代次数
	random_state : 初始化权值 w
	__________
	'''
	#initialization 初始化学习率，迭代次数，权值w
	def __init__(self,eta = 0.01,n_iter = 50,random_state = 1 ):
	self.eta = eta
	self.n_iter = n_iter
	self.random_state = random_state
	#fit training data 拟合训练数据
	'''
	X : training data [n_samples,n_features]
	输入的训练数据集，eg.[(1,2,3),(4,5,6)],即有两个样本，每个样本有三个特征值
	y: target values [n_samples] 每个样本属于的分类 y = {+1 , -1}
	size = 1+X.shape[1] 加1原因w[0]代表偏置b,将偏置b并入权值向量
	'''
	def fit(self,X,y):
	#RandomState 随机数生成器 RandomState(seed),如果seed相同，产生的伪随机数相同
	rgen = np.random.RandomState(self.random_state)
	self.w_ = rgen.normal(loc = 0.0,scale = 0.01,size = 1+X.shape[1]) #loc:均值，scale：方差 size:输出规格
	self.errors_ = []
	for _ in range(self.n_iter): #进行n_iter次迭代
	errors = 0
	for xi,target in zip(X,y):
	'''
	1. update = eta * ( y - y') y' 即 predict（xi）
	2. zip(X,y) 输出(1,2,3,1),(4,5,6,-1)
	3. X.shape[1] 即输出 n_sample 的值
	4. update * xi -> ▽w(1)=X[1]*update,▽w(2)=X[2]*update,▽w(3)=X[3]*update 即权值w的更新
	5. w_[1:] += update * xi --> 从w[1]开始 进行更新，即每个加上增量
	6. 更新W[0] ，即更新偏置b
	7. 统计错误量，errors_
	'''
	update = self.eta * (target - self.predict(xi))
	self.w_[1:] += update * xi
	self.w_[0] += update
	errors += int(update != 0.0) #如果分类正确，y-y'=0，update=0
	self.errors_.append(errors)
	return self
	#计算净输入 即x与w的内积 即X[i]乘W[i]，之后相加求和 return x1*w1+x2*w2+...+xn*wn
	def net_input(self,X):
	return np.dot(X,self.w_[1:]) + self.w_[0]
	# self.net_input(X)即X与W的内积，如果大于0 ，则为类别 1，否则为 -1
	def predict(self,X):
	return np.where(self.net_input(X) >= 0.0, 1, -1)