觉得有用点个赞哦~

import numpy as npclass Perceptron(object):
    # 注释1
    def __init__(self, eta = 0.01, n_iter = 10):        self.eta = eta        self.n_iter = n_iter    def fit(self, X, y):        # 注释2
        self.w_ = np.zeros(1 + X.shape[1])        self.errors_ = []        for _ in range(self.n_iter):
            errors = 0
            # 注释3
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))                # 注释4
                self.w_[1:] += update * xi                self.w_[0] += update
                errors += int(update != 0.0)                self.errors_.append(errors)    def net_input(self, X):        # 注释5
        return np.dot(X, self.w_[1:]) + self.w_[0]    def predict(self, X):        return np.where(self.net_input(X) >= 0.0, 1, -1)

注释1：
    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
注释2：
    输入训练数据，培训神经元，X是输入样本向量，y是对应的样本分类
    X:shape[n_samples, n_features]
    比如：X:[[1, 2, 3], [4, 5, 6]]
    那么：n_samples: 2，n_features: 3，y:[1, -1]

    初始化权重向量为0，加1是因为提到的w0,即步调函数的阈值
注释3：
    比如：X:[[1, 2, 3], [4, 5, 6]
    所以y:[1, -1]，zip(X, y):[[1, 2, 3, 1]. [4, 5, 6, -1]]

    update = n * (y - y')
注释4：
    xi是一个向量
    update * xi等价于：[ w1 = x1*update, w2 = x2*update, ...]
注释5：
    z = w0*1 + w1*x1 + w2*x2 + ... 
    np.dot()是做点积

把net_input  predict这两个函数从fit函数拿到外部  与fit函数平级  然后检查下自己的函数名有没有写错