最新回答 / SherlockZoom
感知機(jī)的學(xué)習(xí)是有監(jiān)督學(xué)習(xí)，在訓(xùn)練過程是有正確的類別來指導(dǎo)學(xué)習(xí)的，也就是每輪訓(xùn)練給出分類結(jié)果之后，只需要和gold類別對比就可以知道是否分類正確。
2017-07-06
最贊回答 / 慕函數(shù)5970831
感知器其實(shí)就是一個(gè)函數(shù)，其表示形式可以寫成<...code...>上式中,w是權(quán)重(weigh)向量，b叫做偏置（bias）本教程中的w0就是上面式子里的偏置b.dot(w,x)+b又可以寫成 dot(w,x)+b*1，這里令W=[b,w1,w2,...,wn] ? ,令X=[1,x1,x2,...,xn],所以初始化W的長度為n+1,多出來的那個(gè)就是偏置啦希望能幫到你~
2017-07-03
最新回答 / 慕前端1296039
首先，我們所求的答案并不一定是最優(yōu)答案（最值），而通常是相對最優(yōu)答案（極值）。拿周志華機(jī)器學(xué)習(xí)中的例子來說，當(dāng)你站在山坡的某個(gè)位置時(shí)，只看你當(dāng)前位置朝哪個(gè)方向走下山最快（即求導(dǎo)的過程），然后朝那個(gè)方向邁出一步（即更新權(quán)重的過程），之后繼續(xù)看朝哪個(gè)方向走下山最快，再繼續(xù)邁出一步（反復(fù)迭代）。也許，你會走到真正的山底（最值），也許你遇到某個(gè)坑就停下了（極值）。而針對極值，如果想要跳出，就涉及后面的優(yōu)化算法了。
2017-07-02
+ 我來回答
回答最高可+2積分
最贊回答 / Miss_Squirrel
<...code...>這部分代碼其實(shí)只是為了描繪出分隔兩類的那條分界線，減1只是為了擴(kuò)大坐標(biāo)軸范圍，點(diǎn)更居中一些，這樣畫出的圖會更好看。以上，謝謝！
最新回答 / 乘龍
相當(dāng)于[1,1,1……1].dot(errors),所有的x0都被初始化為1了，所以跟sum函數(shù)的意思一樣，老師就直接寫成sum了
最新回答 / Wendy_one
原理是△wj的公式（不方便打）中y(i)-φ （z(i)）是errors ,根據(jù)求和得到errors.sum()。errors.sum()中的每一個(gè)值再與self.eta（學(xué)習(xí)率）想相乘，也就是△w(w:=w+△w)，而self.w_[0]就是w.也就是對△wj公式和w:=w+△w公式的一個(gè)推導(dǎo)。
最新回答 / qq_破曉_36
self沒有定義，你少抄了? ? def __init__(self, eta=0.01, n_iter=10):? ? ? ? self.eta = eta? ? ? ? self.n_iter = n_iter
2017-05-24
最贊回答 / 小丸子只有肉沒有櫻桃
<...code...>
最贊回答 / Jessica1221
C1代表數(shù)據(jù)的類別，即+1或者-1。x的含義是導(dǎo)入數(shù)據(jù)X中標(biāo)號為c1的數(shù)據(jù)的第一列y的含義是導(dǎo)入數(shù)據(jù)X中標(biāo)號為c1的數(shù)據(jù)的第二列
最贊回答 / 只是瘋狂只是野
找到了，把下面的數(shù)據(jù)放到一個(gè)txt文件中，再把后綴改為.csv就能用了5.1,3.5,1.4,0.2,Iris-setosa4.9,3.0,1.4,0.2,Iris-setosa4.7,3.2,1.3,0.2,Iris-setosa4.6,3.1,1.5,0.2,Iris-setosa5.0,3.6,1.4,0.2,Iris-setosa5.4,3.9,1.7,0.4,Iris-setosa4.6,3.4,1.4,0.3,Iris-setosa5.0,3.4,1.5,0.2,Iris-setosa4.4,...
2017-05-21