-
三步驟查看全部
-
單元步調(diào)函數(shù)，傳遞信號查看全部
-
細(xì)胞核對交叉管道的神經(jīng)元信號弱化處理，即賦予相應(yīng)的權(quán)重w形成新的信號z查看全部
-
神經(jīng)元——帶有二進(jìn)制輸出的邏輯電路門查看全部
-
輸入 隱一層 輸出查看全部
-
自適應(yīng)神經(jīng)元和剛才感知器 除了激活函數(shù) 有什么不一樣？查看全部
-
分類算法步驟查看全部
-
算法步驟查看全部
-
算法步驟總結(jié)查看全部
-
感知器數(shù)據(jù)分類算法查看全部
-
機器學(xué)習(xí)的本質(zhì)是模擬人的神經(jīng)元對信號處理的方法查看全部
-
感知器預(yù)測的數(shù)據(jù)可以線性分割查看全部
-
人為的調(diào)整學(xué)習(xí)率查看全部
-
for _ in range(self.n_iter): errors = 0 """ x::[[1,2,3],[4,5,6]] y[1,-1] zip(X,y) = [[1,2,3 1],[4,5,6 -1]] """ for xi,trage in zip(X,y): """ update = n * (y-y') """ update = self.eta * (traget - self.predict(xi)) """ xi是一個向量 update * xi 等價： {W(1) = X[1]*update, W(2) = X[2]*update, W(3) = X[3]*update} """ self.w[1:] += update * xi pass self.w_[0] += update; pass pass def net_input(self, x): """ z = W0*1+W1*X1 + ...+Wn*Xn """ return np.dot(X, self.w_[1:]) + self.w_[0] pass def predict(self, X): return np.where[self.net_input(X) >= 0.0 : 1, -1] pass pass查看全部
-
程序記錄7查看全部
舉報
0/150
提交
取消