Question

我在机器学习方面很天真，遵循教科书（Pyhton机器学习）和课程在线课程。我试图在仅包含两个类的标准虹膜数据集上实现单个感知器算法（＆＃39; sentosa＆＃39;和＃39; versicolor＆＃39;）但错误函数没有收敛。这是我的代码： -

import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt

class perceptron(object):

    def __init__(self,a,iter):

        self.a=a
        self.iter=iter

    def fit(self,x,y):

        self.w_=np.zeros(1+x.shape[1])
        self.errors_=[]
        for i in range(self.iter):
            errors = 0
            for xi ,target in zip(x,y):
                update=self.a*(target-self.predict(xi))
                self.w_[1:]=xi*update
                self.w_[0]=update
                errors+=int(update != 0.0)
            self.errors_.append(errors)
            print(self.errors_)
        return self

    def net_input(self,x):

        return np.dot(x,self.w_[1:])

   def predict(self,x):

        return np.where(self.net_input(x)>=0.0,1,-1)


iris=datasets.load_iris()
x=iris.data[:100,:2]
y=iris.target
y=np.where(y==0,-1,1)
ppn=perceptron(a=0.01,iter=10)
ppn.fit(x,y)
plt.plot(range(1, len(ppn.errors_) + 1),ppn.errors_,marker='_')
plt.xlabel('epochs')
plt.ylabel('number of classification')
plt.show()

每次迭代中错误分类（错误）的数量保持不变

Answer 1

这些行错了：

self.w_[1:]=xi*update
self.w_[0]=update

将它们更改为：

self.w_[1:] += update * xi
self.w_[0] += update

看起来您的输入实现也是错误的：

def net_input(self,x):
    return np.dot(x,self.w_[1:])

应该是：

return np.dot(X, self.w_[1:]) + self.w_[0]

您可以在我的github

上看到完整的实施

如果这不能解决您的问题，请告诉我。

成本函数不会收敛

1 个答案: