老師好，運(yùn)行代碼時(shí)顯示構(gòu)造類傳參有誤，哪里錯(cuò)了呢？

####### 算法代碼 #######

import numpy as np

class Perceptron(object):

? ? """

? ? eta: 學(xué)習(xí)率

? ? n_iter: 權(quán)重向量的訓(xùn)練次數(shù)

? ? w_: 神經(jīng)分叉權(quán)重向量

? ? errors_: 隊(duì)列，用于記錄神經(jīng)元判斷出錯(cuò)次數(shù)

? ? """

? ? def __init__(self, eta=0.01, n_iter=10):

? ? ? ? self.eta = eta;

? ? ? ? self.n_iter = n_iter

? ? ? ? pass

? ? def fit(self, X, y):

? ? ? ? """

? ? ? ? 輸入訓(xùn)練數(shù)據(jù)，培訓(xùn)神經(jīng)元，x輸入樣本向量，y對(duì)應(yīng)樣本分類

? ? ? ??

? ? ? ? X:shape[n_samples, n_feateures]

? ? ? ? X:[1, 2, 3], [4, 5, 6]

? ? ? ? n_samples: 2

? ? ? ? n_features: 3

? ? ? ??

? ? ? ? y:[1, -1]

? ? ? ? """

? ? ? ? """

? ? ? ? 初始化權(quán)重向量為0

? ? ? ? 加一是因?yàn)榍懊嫠惴ㄌ岬降膚0，也就是步調(diào)函數(shù)閾值

? ? ? ? """

? ? ? ? self.w_ = np.zeros(1 + X.shape[1])

? ? ? ? self.errors_ = []

? ? ? ??

? ? ? ? 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, target in zip(X,y):

? ? ? ? ? ? ? ? """

? ? ? ? ? ? ? ? update = η * (y - y')

? ? ? ? ? ? ? ? """

? ? ? ? ? ? ? ? update = self.eta * (target - self.predict(xi))

? ? ? ? ? ? ? ? """

? ? ? ? ? ? ? ? xi是一個(gè)向量

? ? ? ? ? ? ? ? update * xi 等價(jià)：

? ? ? ? ? ? ? ? [Δw(1) = X[1]*update, Δw(2) = X[2]*update, Δw(3) = X[3]*update]

? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? """

? ? ? ? ? ? ? ? self.w_[1:] += update * xi

? ? ? ? ? ? ? ? self.w_[0] += update;

? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? errors += int(update != 0.0)

? ? ? ? ? ? ? ? self.errors_.append(errors)

? ? ? ? ? ? ? ? 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

####### 圖形化代碼?#######

import matplotlib.pyplot as plt

import numpy as np

plt.rcParams['font.sans-serif']=['SimHei'] #用來(lái)正常顯示中文標(biāo)簽

plt.rcParams['axes.unicode_minus']=False #用來(lái)正常顯示負(fù)號(hào)

# 取出0到100行第四列

y = df.loc[0:100, 4].values

y = np.where(y == 'Iris-setosa', -1, 1)

# 抽取前100條數(shù)據(jù)的第0列和第2列

X = df.iloc[0:100, [0, 2]].values

# 前50條數(shù)據(jù)第0列當(dāng)作x坐標(biāo)，前50條數(shù)據(jù)第1列當(dāng)作y坐標(biāo)

plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa')

plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')

plt.xlabel('花瓣長(zhǎng)度')

plt.ylabel('花徑長(zhǎng)度')

# 設(shè)置圖例位置

plt.legend(loc='upper left')

plt.show()

####### 報(bào)錯(cuò)的代碼 #######

ppn = Perceptron(eta=0.1, n_iter=10)

ppn.fit(X, y)

plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')

plt.xlabel('Epochs')

plt.ylabel('錯(cuò)誤分類次數(shù)')

plt.show()

上面代碼運(yùn)行時(shí)報(bào)錯(cuò)，Perceptron類中申明了predict方法，為什么報(bào)沒(méi)有predict屬性呢：

<ipython-input-98-9ba268a8ffae> in fit(self, X, y)

? ? ?40? ? ? ? ? ? ? ? ?update = η * (y - y')

? ? ?41? ? ? ? ? ? ? ? ?"""

---> 42? ? ? ? ? ? ? ? ?update = self.eta * (target - self.predict(xi))

? ? ?43? ? ? ? ? ? ? ? ?"""

? ? ?44? ? ? ? ? ? ? ? ?xi是一個(gè)向量

AttributeError: 'Perceptron' object has no attribute 'predict'