感知器算法
博客专区 > 无若 的博客 > 博客详情
感知器算法
无若 发表于5个月前
感知器算法
  • 发表于 5个月前
  • 阅读 23
  • 收藏 0
  • 点赞 0
  • 评论 0
摘要: 感知器算法举例及代码演示

在机器学习中,感知器是一种监督学习的二元分类器算法。

具体来说,感知器算法适用于解决是否,可以或不可以之类的二元分类问题。

从一个例子来说:

假设有image ~ image, 5个向量(5个贷款申请人), 其中image中的第一个特征值为年龄,第二个特征值为年收入(万)。

d1~d5 是历史记录上这5个人贷款批准的情况记录,-1为不批准,+1为批准。

  • image = (20, 10), image = -1
  • image = (23, 12), image = -1
  • image = (20, 8), image = -1
  • image = (25, 14), image = +1
  • image = (28, 15), image = +1

对应地,还有一个权值向量 image = (3, 7) , 即代表着年龄在模型中占3,年收入占7。

根据感知器算法:

算法的目的是求得一个目标函数: image 通过此函数就能判定给定 image 的 image

image

  • 其中 image ~ image 是 s 个样本

  • image 是 n 维的输入向量

  • image 是感知器的输出值

  • image 指的是第 j 个向量由 i 个特征值构成

  • image = 1

  • image 是在权重向量中的第 i 个值

  • image 是一个偏置值,一般情况下用 b 来代替

  • image 是权重 i 在第 t 轮的值

实际的计算过程:

  • (1) 初始化权重及门槛值为 0。
  • (2) 输入 image , 求 image
  1. 计算实际地输出

image image

  1. 更新权重

image

那么,设定初始值:image

  • image 时:

image

image

image

image (需要修正)

修正:

image

image

image

image

  • image 时:

image

image

image

image(不需要修正)

继续

image

 image(需要修正)

修正:

image

image

image

-image 时:

image 

image(不需要修正)

 

image

 image(不需要修正)

 

image 

image(不需要修正)

 

image

 image(不需要修正)

 

image 

image (不需要修正)

 

那么,到 image 时,所有样本都已经符合对应的 image

image

image

image

则:

image

如果希望在二维坐标系中表示此函数,则:

image

image

#coding=utf-8

import numpy as np

class Perceptron(object):
    
    def __init__(self, orgi_weight = [], orgi_samples = []):
        self.weight_t = 0
        self.weight = np.array(orgi_weight)
        self.orgi_samples = orgi_samples
    
    def add_orgi_sample(self, new_sample=[]):
        self.orgi_samples.append(new_sample)
    
    def learning(self):
        samples = []
        results = []

        for s in self.orgi_samples:
            samples.append(np.array(s[0]))
            results.append(np.array(s[1]))
            
        # weight_t = 0
        sample_t = 1
        inx = 0
        while inx < len(samples):
            # print "turn: ", inx, ", w:", self.weight_t
            out = (self.weight_t * sample_t) + np.dot(self.weight, samples[inx])
            if np.sign(out) != results[inx]:
                #print results[inx], out
                self.weight_t = self.weight_t + (results[inx] - out) * sample_t
                inx = 0
            else:
                inx += 1
        
    
    def judge(self, new_sample=[]):
        new_sample = np.array(new_sample)
        out = np.dot(self.weight, new_sample) + self.weight_t
        return np.sign(out)


if __name__ == '__main__':

    orgi_samples = [
        [[20, 10], -1], 
        [[23, 12], -1],
        [[20, 8], -1], 
        [[25, 14], 1], 
        [[28, 15], 1]
        ]

    orgi_weight = [3, 7]

    perceptron = Perceptron(orgi_weight, orgi_samples)
    perceptron.learning()
    # 新建一个输入,查看此样本是否能被批准
    print perceptron.judge([30, 10]) # 1
    
    # 添加样本重新学习
    perceptron.add_orgi_sample([[30, 10], -1])
    perceptron.learning()
    print perceptron.judge([30, 10]) # -1
    print perceptron.judge([30, 11]) # 1

 

重要参考:

https://en.wikipedia.org/wiki/Perceptron

https://zh.wikipedia.org/wiki/感知器

https://brilliant.org/wiki/perceptron/

标签: perceptron
共有 人打赏支持
粉丝 38
博文 128
码字总数 106726
×
无若
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: