python離散建模之感知器學習算法
我們將研究一種判別式分類方法，其中直接學習評估 g(x）所需的 w 參數。我們將使用感知器學習算法。
感知器學習算法很容易實現，但為瞭節省時間，我在下面為您提供瞭一個實現。該函數有幾個輸入：訓練數據、訓練標簽、對權重的初始猜測和學習率。註意，對於這兩個類，類標簽的值必須為+1和-1。
它將返回一個元組，其中包含：
- 1.學習w參數
- 2.執行的迭代次數
- 3.錯誤分類的樣本數
花些時間檢查代碼。如果不清楚每一行是如何工作的，不要擔心，隻要讓你自己知道每一行的目的是什麼就可以瞭。代碼中有一些註釋可以幫助大傢。
def perce(X, y, w_init, rho, max_iter=1000): (N, nfeatures) = X.shape # Augment the feature vectors by adding a 1 to each one. (see lecture notes) X = np.hstack((X, np.ones((N, 1)))) nfeatures += 1 w = w_init # initialise weights iter = 0 mis_class = N # start by assuming all samples are misclassified while mis_class > 0 and iter < max_iter: iter += 1 mis_class = 0 gradient = np.zeros(nfeatures) # initaliase the gradients to 0 # loop over every training sample. for i in range(N): # each misclassified point will cause the gradient to change if np.inner(X[i, :], w) * y[i] <= 0: mis_class += 1 gradient += -y[i] * X[i, :] # update the weight vector ready for the next iteration # Note, also that the learning rate decays over time (rho/iter) w -= rho / iter * gradient return w, iter, mis_class
解釋:
X-數據矩陣。每行代表一個單獨的樣本
y-與X-標簽行對應的整數類標簽的一維數組必須為+1或-1
w_init-初始權重向量
rho-標量學習率
最大迭代次數-最大迭代次數（默認為1000）
def perce_fast(X, y, w_init, rho, max_iter=10000): (N, nfeatures) = X.shape X = np.hstack((X, np.ones((N, 1)))) nfeatures += 1 w = w_init iter = 0 mis_class = N yy = np.tile(y, (nfeatures, 1)).T while mis_class > 0 and iter < max_iter: iter += 1 # Compute set of misclassified points mc = (np.dot(X, w.transpose()) * y) <= 0 mis_class = np.sum(mc) # Update weights. Note, the learning rate decays over time (rho/iter) w -= rho / iter * (np.sum(-yy[mc, :] * X[mc, :], axis=0)) return w, iter, np.sum(mc)
- 感知器算法的高效實現
- 對於筆記本電腦數據，此版本的工作速度將提高x100！
到此這篇關於python離散建模之感知器學習算法的文章就介紹到這瞭,更多相關python感知器學習算法內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！