-
矩阵的转置查看全部
-
向量的点乘查看全部
-
神经元的数学表示查看全部
-
这一章讲的神经网络阈值和权重的更新（具体为何可以达到效果不清楚，更新算法步骤还要再看一遍记录）查看全部
-
if __name__ == '__main__': file = 'iris.data' df = pd.read_csv(file, header=None) # 需要第一行 y = df.loc[0:100, 4].values # 0-100行条目取出来 y = np.where(y == 'Iris-setosa', -1, 1) x = df.iloc[0:100, [0, 2]].values # 把第0列和第2列的0-100行数据抽取出来组成一个新的二维数组 # 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(u'花瓣的长度') # plt.ylabel(u'花径的长度') # plt.legend(loc='upper left') # plt.show() 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(u'Epochs') # plt.ylabel(u'错误分类次数') plot_decision_regions(x, y, ppn, resolution=0.02) plt.xlabel(u'花瓣的长度') plt.ylabel(u'花径的长度') plt.legend(loc='upper left') plt.show() pass查看全部
-
感知器算法的最终结果就是得到合适的权重向量查看全部
-
感知器算法的适用范围是：能线性区分的样本查看全部
-
权重更新算法查看全部
-
步调函数和阈值查看全部
-
感知器数据分类算法步骤，通过训练样本x反复训练，调整权重W的值，以达到最合适的值查看全部
-
矩阵的转置查看全部
-
向量点积查看全部
-
激活函数查看全部
-
求偏导查看全部
-
偏微分方程求导查看全部
举报
0/150
提交
取消