覺得有用點(diǎn)個(gè)贊哦~

import?numpy?as?npclass?Perceptron(object):
????#?注釋1
????def?__init__(self,?eta?=?0.01,?n_iter?=?10):????????self.eta?=?eta????????self.n_iter?=?n_iter????def?fit(self,?X,?y):????????#?注釋2
????????self.w_?=?np.zeros(1?+?X.shape[1])????????self.errors_?=?[]????????for?_?in?range(self.n_iter):
????????????errors?=?0
????????????#?注釋3
????????????for?xi,?target?in?zip(X,?y):
????????????????update?=?self.eta?*?(target?-?self.predict(xi))????????????????#?注釋4
????????????????self.w_[1:]?+=?update?*?xi????????????????self.w_[0]?+=?update
????????????????errors?+=?int(update?!=?0.0)????????????????self.errors_.append(errors)????def?net_input(self,?X):????????#?注釋5
????????return?np.dot(X,?self.w_[1:])?+?self.w_[0]????def?predict(self,?X):????????return?np.where(self.net_input(X)?>=?0.0,?1,?-1)

注釋1：
????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_：用于記錄神經(jīng)元判斷出錯(cuò)次數(shù)
注釋2：
????輸入訓(xùn)練數(shù)據(jù)，培訓(xùn)神經(jīng)元，X是輸入樣本向量，y是對應(yīng)的樣本分類
????X:shape[n_samples,?n_features]
????比如：X:[[1,?2,?3],?[4,?5,?6]]
????那么：n_samples:?2，n_features:?3，y:[1,?-1]

????初始化權(quán)重向量為0，加1是因?yàn)樘岬降膚0,即步調(diào)函數(shù)的閾值
注釋3：
????比如：X:[[1,?2,?3],?[4,?5,?6]
????所以y:[1,?-1]，zip(X,?y):[[1,?2,?3,?1].?[4,?5,?6,?-1]]

????update?=?n?*?(y?-?y')
注釋4：
????xi是一個(gè)向量
????update?*?xi等價(jià)于：[?w1?=?x1*update,?w2?=?x2*update,?...]
注釋5：
????z?=?w0*1?+?w1*x1?+?w2*x2?+?...?
????np.dot()是做點(diǎn)積

把net_input? predict這兩個(gè)函數(shù)從fit函數(shù)拿到外部? 與fit函數(shù)平級? 然后檢查下自己的函數(shù)名有沒有寫錯(cuò)