-
三步骤查看全部
-
单元步调函数，传递信号查看全部
-
细胞核对交叉管道的神经元信号弱化处理，即赋予相应的权重w形成新的信号z查看全部
-
神经元——带有二进制输出的逻辑电路门查看全部
-
输入 隐一层 输出查看全部
-
自适应神经元和刚才感知器 除了激活函数 有什么不一样？查看全部
-
分类算法步骤查看全部
-
算法步骤查看全部
-
算法步骤总结查看全部
-
感知器数据分类算法查看全部
-
机器学习的本质是模拟人的神经元对信号处理的方法查看全部
-
感知器预测的数据可以线性分割查看全部
-
人为的调整学习率查看全部
-
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,trage in zip(X,y): """ update = n * (y-y') """ update = self.eta * (traget - self.predict(xi)) """ xi是一个向量 update * xi 等价： {W(1) = X[1]*update, W(2) = X[2]*update, W(3) = X[3]*update} """ self.w[1:] += update * xi pass self.w_[0] += update; 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查看全部
-
程序记录7查看全部
举报
0/150
提交
取消