最赞回答 / iioouu
```import numpy as npclass perceptron(object): """ eta :学习率 n_iter: 权重向量的训练次数 w_: 神经分叉权重向量 errors_: 用于记录神经元判断出错次数 """ def _int_(self,eta=0.01,n_iter=10): self.eta=eta; self.n_iter=n_iter; pass def fit(self,x,y)...
2017-07-12
最新回答 / SherlockZoom
感知机的学习是有监督学习，在训练过程是有正确的类别来指导学习的，也就是每轮训练给出分类结果之后，只需要和gold类别对比就可以知道是否分类正确。
2017-07-06
最赞回答 / 慕函数5970831
感知器其实就是一个函数，其表示形式可以写成<...code...>上式中,w是权重(weigh)向量，b叫做偏置（bias）本教程中的w0就是上面式子里的偏置b.dot(w,x)+b又可以写成 dot(w,x)+b*1，这里令W=[b,w1,w2,...,wn] ,令X=[1,x1,x2,...,xn],所以初始化W的长度为n+1,多出来的那个就是偏置啦希望能帮到你~
2017-07-03
最新回答 / 慕前端1296039
首先，我们所求的答案并不一定是最优答案（最值），而通常是相对最优答案（极值）。拿周志华机器学习中的例子来说，当你站在山坡的某个位置时，只看你当前位置朝哪个方向走下山最快（即求导的过程），然后朝那个方向迈出一步（即更新权重的过程），之后继续看朝哪个方向走下山最快，再继续迈出一步（反复迭代）。也许，你会走到真正的山底（最值），也许你遇到某个坑就停下了（极值）。而针对极值，如果想要跳出，就涉及后面的优化算法了。
2017-07-02
最赞回答 / Miss_Squirrel
<...code...>这部分代码其实只是为了描绘出分隔两类的那条分界线，减1只是为了扩大坐标轴范围，点更居中一些，这样画出的图会更好看。以上，谢谢！
2017-06-08
